Fast R-CNN

Faster R-CNN

YOLO

SSD

总结

参考文献

推荐链接

相关背景

14年以来的目标检测方法（以R-CNN框架为基础或对其改进）

各方法性能对比

分类，定位，检测三种视觉任务的简单对比

一般的目标检测方法

从传统方法到R-CNN

R-CNN的三大步骤：得到候选区域，用cnn提取特征，训练分类器（后两步放在一个网络中，用softmax做分类器也可以）

从R-CNN到SPP

R-CNN必须限制输入图像大小（全连接层要求）

SPP的两大优势：可变输入大小 + 各patch块之间卷积计算是共享的

SPP的缺陷：multi-stage，训练和测试都比较慢

Fast R-CNN

Fast R-CNN通过ROI pooling（一层的SPP）,multi-task等改进大大提高速度

Fast R-CNN的优势与弱势

Faster R-CNN

Faster R-CNN对于Fast R-CNN的改进在于把region proposal的步骤换成一个CNN网络（RPN）

Faster R-CNN的两个base model: ZF，VGG16 （base model的中间conv输出即为要输入到RPN的那个feature map）

Faster R-CNN的锚点anchor box

Faster R-CNN的损失函数

Faster R-CNN的四步训练

YOLO

从Faster R-CNN到YOLO

YOLO的pipeline

YOLO的网络结构

YOLO的模型（最右图为网络输出的tensor）

YOLO的损失函数

YOLO的优势和劣势

• 共2页:
• 上一页
• 1
• 2
• 下一页

1. 中非青年携手共建命运共同体
2. 开学典礼玩转科技与梦想
3. 花甲老彩民揽双色球头奖 福彩奖金终圆
4. 《荒野行动》梦想追逐战怎么玩 梦想追
5. 十所高中副校长当梦想大使 青岛四中新