专业网站建设设计公司,wordpress otp,wordpress怎么变中文版,wordpress做微商城一、 One-stage目标检测算法
使用CNN卷积特征直接回归物体的类别概率和位置坐标值#xff08;无region proposal#xff09;准确度低#xff0c;速度相对two-stage快
二、One-stage基本流程 输入图片------对图片进行深度特征的提取#xff08;主干神经网络#…一、 One-stage目标检测算法
使用CNN卷积特征直接回归物体的类别概率和位置坐标值无region proposal准确度低速度相对two-stage快
二、One-stage基本流程 输入图片------对图片进行深度特征的提取主干神经网络------对目标的位置进行定位和分类One-stage和Two-stage的区别就在于是否包含了候选区域推荐的过程。Two-stage流程图如下: 三、One-stage常见算法 One-stage常见算法
YOLOV1/V2/V3SSD/DSSD等Retina-Net…
四、One-stage的核心组件
1、One-stage的两个核心组件
CNN网络主干网络回归网络
2、主干CNN网络设计原则
从简单到复杂再从复杂到简单的卷积神经网络多尺度特征融合的网络更轻量级的CNN网络
3、回归网络 回归网络将通过CNN主干网络卷积层获取的feature maps作为回归网络的输入通过回归网络主要完成了区域回归、目标区域类别的判定。 回归网络中有两个主要内容
回归区域置信度、位置、类别Anchor机制SSD
回归区域置信度、位置、类别 通过回归网络直接输出最终目标的bounding box位置信息。例如下图中的红框和蓝框的位置信息都是区域回归最终结果。 图中右侧图片里红色小框中有目标区域置信度会更高。其他小框的置信度会低。
Anchor机制 找到不同的推荐区域属于RPN网络的核心组件One-stage和Two-stage的区别在于是否有RPN推荐区域提取但不影响One-stage使用RPN的思想如:Anchor机制在SSD目标回归左边经过主干网络卷积之后得到的feature map考虑feature map中的每一个点都是一个Anchor基于当前的Anchor来提取不同尺度的长宽比对于不同尺度的长宽比所对应的目标区域利用此目标区域来进行位置的回归和类别的判定。 yolo没有Anchor机制右边用的是各自坐标左上右下
4、回归网络预测过程Yolo 过程对整个图片进行划分S * S 的格子针对每个网格分别预测当前这个网格为中心的目标区域的位置信息中上部图预测出Bounding boxes和置信度此外还会对每个格子预测目标类别的概率分布值中下图B *5C*S *S 维的向量最终输出 (B:每个格子预测多少的bouding boxes数5四个坐标加一个置信度C类别)最终的输出就对应到了这里的bouding box坐标的位置以及bouding box置信度和对于每一个格子所对应的类别的概率分布在拿到这些值之后再利用每一个网格预测的类别信息和bouding box 所对应的置信度进行相乘就能够拿到每一个bouding box所对应的类别置信度信息利用类别置信度信息再结合NMS算法对预测出的所有的Bouding box进行筛选过滤得到最终预测结果。这个过程也是yolo算法在拿到回归网络预测结果之后得到最终的输出所经过的运算过程。实际上对于SSD和faster RNN这样的检测网络最终输出的bouding box本身预测出的概率分布可直接用于NMS算法所需要的类别置信度分数在yolo算法中需要额外将中间两个图的结果进行融合两个置信度相乘得到最终能分数置信度最为NMS输入。 yolo是纯粹的端到端的回归网络检测效率会更高。但是在yolo算法中通长使用各自划分认为每一个格子点都是目标检测的中心点有可能我们划分的格子都不是目标的中心点因此基于中心点预测目标区域所对应的bouding box信息的前提假设会导致我们预测出来的检测相比于SSDfaster rcnn准确率低。再有由于在yolo中划分格子的时候会忽略掉其中的小物体比如说鸟类识别检测鸟群可能会漏检。但整体检测速度快。 五、One-stage VS Two-stage
