当前位置: 首页 > >

机器学*:目标检测的几种方法简介

发布时间:

步骤:提取候选框->提取特征->分类


R-CNN(region-cnn)
    原理:通过selective search获取有效区域,统一大小之后输入CNN(AlexNet)提取特征,最后通过SVM进行分类。缺点:计算量太大Map:58.5%(VOC 2017)
SPPNet(sptial pyramid pooling convolutional networks空间金字塔池化卷积网络)
    目标:将CNN输入从固定尺寸变成任意尺寸原理:ROI池化层做法:将卷积层分为4×4,2×2,1×1的网格,并使用最大池化得到16C,4C,1C的特征向量,然后将其拼接为21C维的特征向量,因此可将任意宽度高度的卷积特征转换为固定长度的向量意义:可将原始图像不同长宽区域都对应到一个固定长度的向量特征步骤:将图像进行一次卷积运算之后,得到图像的卷积特征,对于原始图像中的候选框,只需在卷积特征中找到对应的位置框,再使用ROI池化层对位置框的卷积进行提取特征,即完成特征提取工作优点:R-CNN需要在每个区域计算卷积,而SPPNet只需要计算一次
Fast-R-CNN
    原理:使用神经网络代替SVM进行分类做法:全连接层有两个输出,一个进行分类,一个进行框回归框回归:学*参数(,,,),,表示与尺度无关的*移量,,表示与尺度无关的缩放量优点:使用一个网络同时完成提取特征、判断类别、框回归Map:70%(VOC 2017)
Faster R-CNN
    原理:使用RPN(region proposal network)取代selective searchRPN:CNN得到特征(h,w,c)。让h×w的每个位置都负责原图中对应位置的9中尺度的框的检测,检测目标为判断框中是否存在物体,因此共有h×w×9个框,原论文中将其成为anchor步骤:需要训练两个网络(RPN和分类网络),通常交替训练Map:78.8%(VOC 2017)



友情链接: year2525网 工作范文网 QS-ISP 138资料网 528200 工作范文网 baothai 表格模版