【学习笔记】目标检测算法(两阶段)

最新推荐文章于 2024-06-26 21:05:30 发布

CV小白进阶路

最新推荐文章于 2024-06-26 21:05:30 发布

阅读量8.3k

点赞数 1

分类专栏：目标检测文章标签：深度学习计算机视觉算法

本文链接：https://blog.youkuaiyun.com/qq_35872942/article/details/109837873

版权

本文详细介绍了两阶段目标检测算法，从R-CNN开始，包括其工作原理、Selectvie Search算法以及存在的问题。然后，深入探讨了Fast R-CNN的改进，如ROI pooling和联合分类回归。最后，讲解了Faster R-CNN的创新，特别是引入了Region Proposal Network (RPN)，显著提升了检测速度和精度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

两阶段目标检测算法：

R-CNN：

1.对图像进行Selective Search生成1K~2K个候选区域
2.将每个候选区域输入网络提取特征
3.将特征送入每一类的SVM分类器中，判读是否属于该类
4.使用回归器精细修正候选框的位置
具体的一些细节：
1.利用Selective Search 算法通过图像分割的方法得到一些原始区域。然后使用一些合并策略将这些区域合并，得到一个层次的区域结构，这些结构就包含可能需要的物体。
2.对每个候选区域使用深度网络提取特征
将2000个候选区域缩放到227 * 227，接着将候选区域输入到预先训练好的Alex net获取2000 * 4096维矩阵
3.将特征送入每一类的SVM分类器，判断类别
将20004096维特征与20个SVM组成的权值矩阵409620相乘，获得200020维矩阵，表示每个建议框是每个目标类别的得分。对上述200020维矩阵中的每一列及进行非极大值抑制提出重叠的建议框，得到该列中得分最高的建议框（VOC数据集有20类）

在这里插入图片描述
（算法的缺点：1.测试速度慢，Selective Search算法提取候选框花费大量时间，候选框之间存在大量重叠，提取特征操作冗余。
2.训练速度慢
3.训练所需空间大）