揭阳网站建设工作,比较好的网站公司吗,百度关键词推广一年多少钱,广州电商网站建设之——常用算法速览
目录
之——常用算法速览
杂谈
正文
1.区域卷积神经网络 - R-CNN
2.单发多框检测SSD#xff0c;single shot detection
3.yolo 杂谈 快速过一下目标检测的各类算法。 正文
1.区域卷积神经网络 - R-CNN region_based CNN#xff0c;奠基性的工作。…之——常用算法速览
目录
之——常用算法速览
杂谈
正文
1.区域卷积神经网络 - R-CNN
2.单发多框检测SSDsingle shot detection
3.yolo 杂谈 快速过一下目标检测的各类算法。 正文
1.区域卷积神经网络 - R-CNN region_based CNN奠基性的工作。 选择锚框是一个较为复杂的算法来自于神经网络还没发展的时候启发式算法选择出锚框后每一个锚框当做一个图片然后用预训练好的CNN抽取特征然后训练SVM用来分类训练一个回归模型来预测边缘框具体是 将每个提议区域的特征连同其标注的类别作为一个样本。训练多个支持向量机对目标分类其中每个支持向量机用来判断样本是否属于某一个类别 将每个提议区域的特征连同其标注的边界框作为一个样本训练线性回归模型来预测真实边界框。 然而锚框的选择大小与比例是不一定的这种情况下如何生成规则的训练batch呢于是提出了RoI(region of interest)兴趣区域池化 这个方法不会严格均匀地切割而是会尽量按比例切割满足最后输出看对应颜色 Fast RCNN 对于RCNN的加强主要的改进是直接对整张图片抽特征而不是对锚框抽特征 R-CNN的主要性能瓶颈在于对每个提议区域卷积神经网络的前向传播是独立的而没有共享计算。 由于这些区域通常有重叠独立的特征抽取会导致重复的计算。 Fast R-CNN 对R-CNN的主要改进之一是仅在整张图象上执行卷积神经网络的前向传播。 搜到锚框之后再映射到CNN之后的feature map上 再把特征图上的ROI展平投入到全连接层进行预测。 Faster R-CNN: 更进一步的改进是 为了较精确地检测目标结果Fast R-CNN模型通常需要在选择性搜索中生成大量的提议区域。 Faster R-CNN 提出将选择性搜索替换为区域提议网络region proposal network从而减少提议区域的生成数量并保证目标检测的精度。 二分类预测锚框合理与不合理 Mask R-CNN: 如果有像素级别的标号就用FCN来处理提升原有的性能roi pooling改为了roi align以避免像素级的误差 比较贵实用性不高 2.单发多框检测SSDsingle shot detection 单发步枪只跑一遍不需要两个网络。 生成锚框的办法 然后的操作 多个分辨率下去锚框然后用算法预测类别和边界框参考上面RCNN的预测方法。 性能更快但没那么准 主要原因应该是没有什么改进 3.yolo you only live once you only look once 每个锚框预测了多个边缘框因为这样均匀分割的锚框可能会同时挨到多个真实边缘框。 后续通过细节改进进行提升比如引入数据集真实框的先验知识之类的。 YOLOYou Only Look Once是一种流行的实时目标检测系统可以在图像或视频流中检测多个物体。YOLO的关键思想是将图像分成网格并为每个网格单元预测边界框和类别概率。这使得YOLO能够在神经网络的单次前向传递中对多个物体进行预测从而具有高效的计算能力。 YOLO算法的主要步骤包括 输入图像 YOLO接收输入图像并将其划分为网格。 网格划分 将图像划分为一个 S x S 的网格。每个网格单元负责预测对象如果对象的中心落入该单元则该单元负责预测该对象。 边界框预测 每个网格单元预测多个边界框同时预测它们的置信度分数。这些边界框由xywh表示其中xy是边界框的中心wh是宽度和高度。 类别预测 每个边界框预测对象的不同类别的概率。 物体置信度分数 YOLO为每个边界框预测一个物体置信度分数表示该框内存在物体的可能性。 非极大值抑制 在进行预测后会应用一种后处理步骤称为非极大值抑制以过滤重复或低置信度的预测结果。它保留最有信心的预测结果并删除重叠显著的预测。 输出 最终输出是一个边界框列表每个边界框关联着一个类别标签和置信度分数。 YOLO已经推出了几个版本通过提高准确性和速度进行改进。一些知名的版本包括YOLOv1YOLOv2YOLO9000YOLOv3和YOLOv4。每个版本都引入了架构改进并解决了目标检测中的特定挑战。 值得注意的是由于其实时处理能力YOLO被广泛应用于自动驾驶车辆、监控和机器人等各种应用领域。YOLO的实现可在流行的深度学习框架如TensorFlow和PyTorch中找到使其对研究人员和开发人员更易于接触和使用。
