前言

一、基于深層神經網路的目標檢測
1.是否存在候選區

2.是否存在先驗框

二、各類目標檢測演算法的機制、優勢、局限性及適用場景
三、目標檢測的基本原理
總結

前言

隨著今年來科學技術的發展，尤其是人工智能和大資料技術的不斷發展，不斷應用于生活中的各個領域，給人們的生活帶來方便和便利，深度學習這門技術也是越來越重要，目標檢測也是深度學習的一個應用領域，本文主要介紹目標檢測任務和發展脈絡，

一、基于深層神經網路的目標檢測

現階段目標檢測演算法存在兩類分類標準：1)是否存在候選區；2)是否存在先驗框，

1.是否存在候選區

按照是否存在候選區分類可以分為兩階段目標檢測演算法和一階段目標檢測演算法，兩階段目標檢測演算法的第一級網路用于候選區的提取，第二級網路用于對候選區進行分類和回歸，經典的網路有RCNN,SPPNet,Fast RCNN,Faster RCNN，一階段目標檢測演算法不對候選區進行提取，只用了一級網路就完成了分類和回歸，經典的網路有SSD，Yolo系列，RetinaNet，

2.是否存在先驗框

按照是否存在先驗框分類可以分為基于錨框的目標檢測演算法和無錨框的目標檢測演算法，基于錨框的目標檢測演算法首先建立不同長寬比的檢測框，然后對錨框中的內容進行分類和回歸，經典網路有RCNN，Fast RCNN，Faster RCNN，SSD，無錨框的目標檢測演算法是基于中心區域和關鍵點的目標檢測演算法，取消了錨框生成機制，加快了速度，經典網路有Yolov1，Yolov2，CenterNet，CornorNet，Fcos，

二、各類目標檢測演算法的機制、優勢、局限性及適用場景

演算法類別	機制	優勢	局限性	適用場景
兩階段演算法	先生成候選區，再對候選區進行分類和回歸	演算法精確度高	實時性差檢測小目標效果差	高精度目標檢測
一階段演算法	不生成候選區直接進行分類和回歸	實時性高	成群目標和小目標檢測精度低	實時目標檢測
基于錨框的演算法	先生成錨框，對錨框進行分類和回歸	技術較成熟	演算法泛化能力差訓練效率低	通用目標檢測
無錨框演算法	根據中心點和關鍵點生成邊界框	演算法泛化能力強，檢測小目標精度高	不適合進行通用目標檢測精度低于基于錨框的演算法	多尺度目標檢測，小物體目標檢測

三、目標檢測的基本原理

目標檢測主要的特點是可以一次性的輸出圖片中所檢測到的目標資訊，包括類別和位置，通過不同的網路結構最后可以將圖片變成(MXMXN)，可以濃縮成MXM個多特征維度的點(1x1xN)，

總結

以上就是今天要講的內容，本文僅僅簡單介紹了目標檢測的分類和常用的經典演算法，各類目標檢測演算法的機制、優勢、局限性及適用場景，以及目標檢測的基本原理，

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/435421.html

標籤：AI

上一篇：畢業設計記錄基于Unity3D的第三人稱俯視角射擊游戲-02

下一篇：動手實作深度神經網路3 增加誤差反向傳播計算梯度&完成MNIST資料集手寫數字識別

目標檢測演算法的分類和優缺點

前言

一、基于深層神經網路的目標檢測

1.是否存在候選區

2.是否存在先驗框

二、各類目標檢測演算法的機制、優勢、局限性及適用場景

三、目標檢測的基本原理

總結

前言

一、基于深層神經網路的目標檢測

1.是否存在候選區

2.是否存在先驗框

二、各類目標檢測演算法的機制、優勢、局限性及適用場景

三、目標檢測的基本原理

總結