| 发表时间 | 名称 | 创新点 | 链接 |
|---|---|---|---|
| 2013.11 | RCNN | 首次将深度学习用于物体识别,但只在特征提取阶段使用 | |
| ICCV2015 | Fast-RCNN | 在特征图上生成候选区域而不是输入图像,减少了特征的重复计算;使用softmax代替SVM | |
| NIPS2015 | Faster-RCNN | 使用RPN代替selective search生成候选区域 | |
| CVPR2016 | YOLOv1 | 将物体检测这个问题定义为bounding box和分类置信度的回归问题,实现端对端 | 超赞 |
| ECCV2016 | SSD | 多尺度;全卷积 | |
| CVPR2017 | YOLOv2 | 全卷积;引入anchor box | 还行 |
| 2018 | YOLOv3 | 使用sigmoid作为损失函数;结合FPN的结构进行多level的预测 |
深度学习物体识别的发展
最新推荐文章于 2025-01-22 10:57:01 发布
部署运行你感兴趣的模型镜像
您可能感兴趣的与本文相关的镜像
Yolo-v5
Yolo
YOLO(You Only Look Once)是一种流行的物体检测和图像分割模型,由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出,因其高速和高精度而广受欢迎
796

被折叠的 条评论
为什么被折叠?



