物体检测器SSD，YOLOv3，FPN & Focal loss (RetinaNet）

最新推荐文章于 2025-09-01 23:27:48 发布
转载 最新推荐文章于 2025-09-01 23:27:48 发布 · 960 阅读 · 1
文章标签：

#目标检测

博客链接指向目标检测相关内容，虽未展示具体信息，但可知围绕目标检测这一信息技术领域展开。
实时目标检测框架对比：YOLO vs SSD vs RetinaNet
AI架构师小马
06-09 1192
在如今的计算机视觉领域，实时目标检测是一项非常重要的任务。它就像我们人类的眼睛，能够在图像或者视频中快速准确地找到我们感兴趣的目标，比如在监控视频中找到小偷，在自动驾驶中识别道路上的车辆和行人等。我们这篇文章的目的就是要对比三个非常流行的实时目标检测框架：YOLO、SSD 和 RetinaNet，看看它们各自的优缺点，适用场景是什么，这样大家在实际应用中就能根据自己的需求做出更好的选择啦。我们的范围主要集中在这三个框架的原理、性能、应用等方面。接下来，我们会按照下面的结构来详细介绍这三个框架。
目标检测场景SSD-Mobilenetv1-FPN
sdw8855的博客
08-01 1248
基于SSD_MobileNetV1_FPN（采用MobileNetV1网络和FPN网络作为Backbone的SSD网络)。与fasterRcnn原生模型类似，有四个输出张量，分别为目标数，置信度，坐标框和类别ID。
YOLOv3——引入：FPN+多尺度检测 (目标检测)(one-stage)(深度学习)(CVPR 2018)
热门推荐
星智云图工作室（StarImagine Studio）
11-22 3万+
论文名称：《 YOLOv3: An Incremental Improvement 》 论文下载：https://pjreddie.com/media/files/papers/YOLOv3.pdf 论文代码:   https://github.com/pjreddie/darknet 一、算法特点： 1、基本思想： YOLO系算法的思想都是，首先通过特征提取网络对输入图像提取特征，...
YoloV3 FPN、Head
damon93的博客
02-28 2121
YoloV3 FPN、Head 本文主要是记录在学习YoloV3时遇到的FPN以及Yolo Head 文本参考睿智的目标检测26——Pytorch搭建yolo3目标检测平台，这篇博客其实写的非常详细，我在此处就不再展开，仅仅写一下个人学习理解 接触算法模型不久，有错误的话还望不吝批评。 先总览一下Yolov3模型结构(主干网络为Darknet53，左侧虚线框内) FPN、Yolo Head FPN特征金字塔进行加强特征提取，主要解决的是物体检测中的多尺度问题。 Yolo Head本质上是一次3x3卷
【MMDetection 源码解读之yolov3】Neck - FPN
qq_38253797的博客
12-10 4326
目录前言一、FPN总结 前言 这部分接着前一篇文章 【MMDetection 源码解读 yolov3】Backbone - Darknet53 继续往后讲。搭建完了主干特征提取模块，接着就是搭建yolov3的特征融合模块，这部分yolov3使用的是FPN（特征金字塔）的这样一个Up-bottom的结构，能够在增加较少计算量的前提下融合低分辨率语义信息较强的特征图和高分辨率语义信息较弱但空间信息丰富的特征图。下面图画线部分为FPN具体的一个结构 【yolov3 红线标记部分为Neck-FPN部分】 一、
YOLO学习笔记——第三篇YOLOv3（含FPN网络解析）
ict_rtf的博客
03-13 8441
YOLO(You Only Look Once)——第三篇YOLOv3（含FPN网络解析） 论文地址：YOLOv3: An Incremental Improvement. (readpaper.com) YOLOv3.pdf (pjreddie.com) 文章目录YOLO(You Only Look Once)——第三篇YOLOv3（含FPN网络解析）@[toc]1. 前言2. YOLOv3模型分析2.1 原始版本特性保留2.2 v3改进之处3.多尺度预测（引入FPN）3.1 FPN介绍3.2 FPN计
YOLO 目标检测：YOLOv3网络结构、特征输出、FPN、多尺度预测
最新发布
2202_75674969的博客
09-01 1469
YOLOv3是目标检测领域的经典模型，通过Darknet53主干网络实现高效特征提取，并引入残差连接缓解梯度消失。其核心创新在于多尺度检测机制，利用13×13、26×26、52×52三个不同分辨率的特征图分别检测大、中、小物体。通过FPN特征金字塔网络实现特征融合，结合自上而下的上采样和自下而上的卷积路径，将深层语义信息与浅层细节特征相结合，显著提升多尺度目标检测能力。模型采用CBL模块（卷积+批归一化+LeakyReLU）构建，最终输出包含边界框坐标、置信度和类别概率的预测结果。
论文阅读笔记 | 目标检测算法——RetinaNet（focal loss、含与SSD,RCNN,YOLO的对比）
Clichong
07-30 1707
下面借这篇blog记录一些阅读笔记，如果问题，恳请指出。 文章目录1. Introduction1.1 Class Imbalance1.2 Robust Estimation2. Focal Loss2.1 cross entropy loss2.2 focal loss2.3 focal loss*3. RetinaNet Detector3.1 Feature Pyramid Network Backbone3.2 Anchors3.3 Classification Subnet3.4 Box R.
Focal Loss损失函数、RetinaNet网络
Tc、zyh的博客
10-24 1818
文章目录1、Focal Loss理解总结介绍RetinaNet 1、Focal Loss理解 总述 我们知道object detection的算法主要可以分为两大类：two-stage detector和one-stage detector。前者是指类似Faster RCNN，RFCN这样需要region proposal的检测算法，这类算法可以达到很高的准确率，但是速度较慢。虽然可以通过减少proposal的数量或降低输入图像的分辨率等方式达到提速，但是速度并没有质的提升。后者是指类似YOLO，SSD
RetinaNet：Focal Loss for Dense Object Detection（CVPR2018）
qihshe的博客
12-22 1014
调查了为什么一阶段检测器精度不如两阶段检测器。发现，在密集检测器训练过程中遇到的极端前景-背景类不平衡是主要原因，因此提出了著名的焦点损失
yolo系列之yolov3
mayeight的博客
06-12 859
在说到yolo时，顺便提一下ssd,ssd算法的出现在于利用多层特征做预测，旨在解决单阶段目标检测算法对于小目标的不友好性。但是ssd 利用多层特征的方式只是单纯的将各层特征提取出来。
计算机视觉与深度学习 | 目标检测综述（RCNN、RPN、YOLOv1 v2 v3、FPN、Mask RCNN、SSD代码类）-附件资源
03-05
计算机视觉与深度学习 | 目标检测综述（RCNN、RPN、YOLOv1 v2 v3、FPN、Mask RCNN、SSD代码类）-附件资源
SSD/R-CNN/Yolo/FPN网络总结
张家四少
03-30 555
参考 Understanding SSD MultiBox — Real-Time Object Detection In DeepLearning：https://towardsdatascience.com/understanding-ssd-multibox-real-time-object-detection-in-deep-learning-495ef744fab ...
YOLO3+残差网络+FPN详解
K-RI的博客
01-26 8555
概述 yolo3的论文写的跟个小作文一样，也不知道怎么过的审，里面实质性的东西并不多，做的实验一部分是引用Facebook AI Research的《Focal Loss for Dense Object Detection》，虽然最后没有用Focal Loss，但还是cite了人家一个大图；v3较v2提升明显的是对小物体的识别精度，但这也不是Joseph Redmon的原创，引用的还是Facebook AI Research的《Feature Pyramid Networks for Object Det
YOLOV3详解
bobchen1017的博客
03-21 4609
通过学习YOLOV3 学习DarkNet网络跟ResNet的区别, 正负样本的匹配，图像金字塔发展史到FPN
YOLOv3详解
xiahan_qian的博客
05-23 3万+
前言 yolo算法是一种one-stage的目标检测算法，与two-stage最大区别在于，YOLO系列算法将图片划分成若干个网格，再基于anchor机制生成先验框，只用一步就生成检测框，这种方法大大提升了算法的预测速度，今天我们主要讲的是YOLOv4算法的主要实现过程，YOLOv4的论文于2020年发表在CVPR上，相对于YOLOv3的主要改动有以下几部分，mos.
我们从一阶段的物体检测器SSD，YOLOv3，FPN & Focal loss (RetinaNet）中学到了什么？...
AI公园
11-25 1372
点击上方“AI公园”，关注公众号作者：Jonathan Hui编译：ronghuaiyang在第二部分，我们会有一个综合的对一阶段的物体检测器的概述包括SSD和YOLO（...
经典目标检测YOLO系列(三)YOLOv3算法详解
qq_44665283的博客
01-19 3009
经典目标检测YOLO系列(三)YOLOv3算法详解
yolov3个人学习笔记
qq_44878920的博客
06-17 3608
yolov3学习笔记算法核心思想网络流程Anchor机制特征金字塔FPNLoss FunctionNMS机制 算法核心思想 Yolo算法的核心思想是直接将图片分割成互不重合的小方块，然后通过卷积产生特定大小的特征图，特征图的每个元素是对应原始图片的一个小方块，然后用每个元素来可以预测那些中心点在该小方块内的目标，达到物体检测的效果。整体来看，Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，整个算法大体操作如下图所示：首先将输入图片resize到416×416然后送入网络，最后处理网络
PyTorch-SSD结合CBAM与FPN优化技术，Focal Loss应用
在本项目中，开发者选择了使用深度学习框架PyTorch来改进一个著名的单次检测器SSD（Single Shot MultiBox Detector），并引入了CBAM（Convolutional Block Attention Module）空间通道注意力机制以及FPN（Feature ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值