几种目标检测网络模型对比（RCNN系列、Mask-RCNN、R-FCN、YOLO、SSD、FPN等）

最新推荐文章于 2025-02-20 23:18:04 发布

Dominic_S

最新推荐文章于 2025-02-20 23:18:04 发布

阅读量2.4w

点赞数 27

分类专栏：学习笔记文章标签：常见目标检测检测网络 RCNN YOLO SSD FPN

本文链接：https://blog.youkuaiyun.com/Dominic_S/article/details/83212385

版权

本文对比了几种主流目标检测网络模型，包括RCNN系列（RCNN, Fast-RCNN, Faster-RCNN）、R-FCN、YOLO、SSD以及FPN。RCNN系列通过不断优化减少了计算量，提高了速度和准确性。YOLO和SSD作为单次预测模型，速度快但对小目标检测效果欠佳。FPN解决了小目标检测问题，提升了定位准确性。最后，Mask-RCNN引入了语义分割，提高了分割精度。" 95760429,8363558,Linux学习笔记：重定向、管道与环境变量,"['Linux', 'RHEL', 'Shell脚本', 'Vim']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 RCNN

RCNN具体原理解析
在这里插入图片描述

网络分为四个部分：区域划分、特征提取、区域分类、边框回归
区域划分：使用selective search算法画出2k个左右候选框，送入CNN
特征提取：使用imagenet上训练好的模型，进行finetune
区域分类：从头训练一个SVM分类器，对CNN出来的特征向量进行分类
边框回归：使用线性回归，对边框坐标进行精修

优点：
ss算法比滑窗得到候选框高效一些；使用了神经网络的结构，准确率比传统检测提高了
缺点：
1、ss算法太耗时，每张图片都分成2k，并全部送入CNN，计算量很大，训练和inference时间长
2、四个模块基本是单独训练的，CNN使用预训练模型finetune、SVM重头训练、边框回归重头训练。微调困难，可能有些有利于边框回归的特征并没有被CNN保留

2 Fast-RCNN

Fast-RCNN具体原理解析
在这里插入图片描述

相对RCNN，准确率和速度都提高了，具体做了以下改进：
1、依旧使用了selective search算法对原始图片进行候选区域划分，但送入CNN的是整张原始图片，相当于对一张图片只做一次特征提取，计算量明显降低
2、在原图上selective search算法画出的候选区域对应到CNN后面输出的feature map上，得到2k个左右的大小长宽比不一的候选区域，然后使用RoI pooling将这些候选区域resize到统一尺寸，继续后续的运算
3、将边框回归融入到卷积网络中，相当于CNN网络出来后，接上两个并行的全连接网络，一个用于分类，一个用于边框回归，变成多任务卷积网络训练。这一改进，相当于除了selective search外，剩余的属于端到端，网络一起训练可以更好的使对于分类和回归有利的特征被保留下来
4、分类器从SVM改为softmax，回归使用平滑L1损失