本文深入解析了目标检测领域的几个关键模型：YOLO（You Only Look Once）以其快速而简洁的设计著称，擅长全局检测但对小目标处理不佳；RCNN系列（包括RCNN、FastRCNN和FasterRCNN）通过RPN（Region Proposal Network）改进了候选框生成，提升了检测效率；SSD（Single Shot MultiBox Detector）引入Anchor和FPN（Feature Pyramid Network）实现了一阶段检测，擅长多尺度目标检测。这些模型各有亮点，适应不同的应用场景。
1，Yolo
参考：论文解析，论文阅读：You Only Look Once: Unified, Real-Time Object Detection_chenxp2311的博客-优快云博客
CNN详解，CNN(卷积神经网络)详解_nwnlp的博客-优快云博客_cnn网络
其实是一个CNN，包括特征提取三剑客和分类全连接，一阶段指输入为整个图像，输出为定位和分类结果，速度快
泛华能力强，背景错误少，新域，全局
map高
但不适合小目标，且很多个目标集中
定位错误多
注意：CNN包括局部感受野、权值共享和池化这三部分
全连接作用是分类
2、RCNN系列
参考：大话目标检测经典模型（RCNN、Fast RCNN、Faster RCNN）， 大话目标检测经典模型（RCNN、Fast RCNN、Faster RCNN） - 雪饼的个人空间 - OSCHINA - 中文开源技术交流社区
faster RCNN包括滑动窗口方式RPN和CNN两个网络，CNN将特征提取，分类和定位一块出来。最后用到NMS算法。
RPN是为定位做准备，将定位的回归问题转化为分类问题，则都可经CNN同一方式一并处理。
RPN是候选框的一种方式，取代了fast RCNN以及之前的选择性搜索生成候选框的方式。
亮点是RPN。
Yolo和RCNN系列比较更简洁，简单把图像划分，把候选框部分去掉。
3，SSD
参考：SSD网络结构，SSD网络原理解析_追逐AI的蜗牛的博客-优快云博客_ssd网络
包括VGG和FPN特征提取、无全连接，Anchor，再分类和定位用到卷积，最后NMS。
亮点是Anchor和FPN。
4、迁移学习适合小量数据
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
