# 经典目标检测识别方法概述RCNN/FAST/FASTER RCNN/MASK RCNN/SSD/DSSD/YOLO V1/YOLO V2等

最新推荐文章于 2025-04-13 23:46:40 发布
最新推荐文章于 2025-04-13 23:46:40 发布
阅读量1.4k 收藏 12
点赞数 2
分类专栏： 目标检测 文章标签： 目标检测 CV 何凯明
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_43152520/article/details/101285504
版权

经典目标检测识别方法概述@陈子逸

经典目标检测识别方法概述

由于水硕期间自学了一些目标探测的方法,这里做一个概述,肯定有不完美的地方,还请指正一起进步.

综述

1.分别简单描述一下RCNN系列:

在我看来, RCNN 是一个benchmark,首先利用传统的图像检测方法基于纹理特征用selective search 如HOG,sift来产生一些候选框,然后将这些候选框加入到卷积神经网络中进行训练和分类.这很明显不是一个端到端的算法,我记得一幅图就需要47s以上的时间来识别.

在这个基础上何等人又提出了Fast rcnn. 这里就不用传统的SVM/reg(线性回归模型) 来分类而是同样采用神经网络(多任务网络)来分类, 他是结合SPPnet改进RCNN,在这里提出了ROI Pooling,利用这个ROI Pooling层得到FC层固定的输入. 但是在候选区域提取的过程仍然选择的是selective search的方法.
Linear+ softmax:分类
Bounding-box regressors:回归
但是Roi 还是需要一些传统的算法去原始图像上找,再把处理的结果汇入CNN
.这一步只能在CPU上面做!!!没办法用GPU,所以无法迭代到神经网络中来.

Faster就把候选区域提取这一部分的工作进行了优化,引入了RPN网络. RPN网络最直接的是anchor机制, 这个机制对特征图上的每个像素点进行三个尺度的反映射,利用感受野的比例在原图上产生一堆box. 然后对这些可能是目标的box进行筛选和精细化过滤,这里有一些小tricks. 比如把和图像边框重叠的去掉以及以IOU比例来去掉一部分,再加上非极大值抑制,最终一幅图大概还剩2000个框. 然后就是2层共四个分类回归器当中.第一层是判断前景背景,从传递函数可以看出来,如果不是前景,Pi*(anchor预测是物体的概率)是0,右边半部分是0,就不需要bbox regression的计算了同时左边很明显是二分类交叉熵损失.朗达值是用来分配分类回归权重的.
在这里插入图片描述
而mask-rCNN呢 比起之前有了2个最明显的提高. mask的backbone使用新的resnet+FPN.另外使用ROI align替换ROI Pooling.更具体一点就是ResNeXt+RPN+RoI Align+Fast R-CNN+FCN。 深度残差网络是一种神经网络中将输入输出跨层连接 的一种网络,函数是F(x)+x,x为之前层的输出.因为随着网络深度的增长,cnn的效果(performance)并不是越来越好,相反会下降,而深度残差网络因为将前几层的结果跨层输入到后面的层未经过激活函数的放缩可以极大的保存原始的特征.而RPN网络是左右2个模型,左边是bottom-up模型就是简单的卷积过程,这里作者是将深度残差网络中的几个过程分为几个stage.，feature map的大小在经过某些层后会改变(Pooling层)，而在经过其他一些层的时候不会改变，作者将不改变feature map大小的层归为一个stage，因此每次抽取的特征都是每个stage的最后一个层输出，这样就能构成特征金字塔。将每个stage 的结果输出成为C1-C5的特征图,其分辨率从512到32,然后通过C5一个11卷积得到P5(达到通道数与高层相同),再P5高层与较低一层且通过11卷积后的C4相加得到P4,后面以此类推.生成P2–P5后,再通过一个33的卷积生成新的P2-P5(消除混叠效应),P5上采样生成P6只进行RPN网络使用.
每个层利用RPN三个比例就能生成15个anchor,那么如何决定该选择哪层特征图进行ROI Pooling呢? 有一个公式,其作用是大尺度的ROI就用高层特征.输出为三个: rpn-logits/rpn-class/rpn-bbox. Roialign呢就是针对之前roipooing的坐标转换的浮点型近似带来的特征图信息值缺失的改良,对该点周围四个像素点进行双线性插值,然后maxpooling得到的值比只进行近似要好很多.进行完roi pooling后, 用FCN对mask 分支机构对每个roi产生k个分辨率mm的二值掩膜,K为分类物体总类数.根据faster rcnn里面的预测判断使用哪一个掩膜,对于预测的二值掩膜的每一个像素点,我们都应用sigmod激活函数(127-0.77举个例子),整体使用二分类交叉熵损失函数.这样就允许每个类生成独立的掩膜,避免类间竞争(解耦).如果像只用FCN那样对每个像素点进行softmax,整体使用多任务交叉熵,会引起竞争,导致分割效果差.
FCN是全卷积,实现任何输入,而且因为pooling的分辨率降低,便使用上采样,同时有结合不同深度的跳级skip结构.
在这里插入图片描述
SSD?

SSD是利用多尺度特征图来进行检测的算法, 主干网络是vgg16,去掉了最后的FC层.因为vgg16后面的FC层是用来分类,在这些只利用前部分提取特征不用分类,一共有6个尺度的特征图,从3838到11. 这里也借鉴了faster rcnn中的rpn网络, 叫prior box其实差不多,scale也是自己定义.3838、1919、1010每个产生6个,其他三个每个产生4个box. 最终输出的向量纬度为(C类+4)kmn.同样是参照rpn,设定一个阈值,大于为正样本,小于一个阈值为负样本.中间的省略.这里要注意两个阈值不一样.同时负样本也会添加一些难例,正负样本比例基本是1:3.数据增强是通过随机采用多个path,分类用的softmax loss,回归用的smooth L1. 损失函数里面采用的jaccard函数算IOU其实就是RPN里面算IOU的方法.最终损失函数通过置信损失和分类损失按比例和的形式得到.

DSSD ?

将SSD中的vgg16模型前部分backbone替换成了ResNet. 然后在网络后面添加了反卷积网络层,原因是增加了大量上下文信息.后面还有些作者添加不同的预测结构这个有余力可以看看。

YOLO V1

将图像分为SS个格子, 每个框包含ground truth的拿去回归. 这里我们可以发现, 无论大小分辨率的图都是固定的SS个格子,这样对于小物体的检测没有特别突出的优化,容易检测失误. 但这是一个端到端的算法, 或者说one-stage. 它没有faster rcnn那种候选框提取的步骤,整个网络都在CNN网络中进行, 每个格子产生B个框,每个框有5个坐标,4个位置,1个置信度,置信度就是框和ground的IOU,所以总的输出向量为(5B+C)SS这一个tensor. C是预测的类别信息,置信度为box含物体的概率IOU两个乘积(测得有多准).从这里可以看出如果不是objct,第一项就是0,总的置信度0

最低0.47元/天 解锁文章
目标检测YOLO实战应用案例100讲-基于多特征融合的SSD目标检测
qq_36130719的博客
04-08 407
随着计算机硬件（GPU）的发展和大规模图像数据集的出现，视觉原理得到广泛的应用，利用计算机图像处理技术实现人类视觉任务成为研究的焦点，目标检 测作为视觉任务中的基础部分，随深度学习的发展，致使目标检测算法也得到了 快速地发展。目标检测是通过对图像中的多目标进行检测识别，解决图像中多个 目标物体分别“是什么”和“在哪里”两个问题的任务，该技术广泛应用于航空 航天、无人驾驶、工业检测、机器人系统、智能视频监控以及日常生产生活中的 诸多领域。目标检测是通过提取像素点组成的信息来判断场景中物体的类别与位 置。
目标检测YOLO实战应用案例100讲-基于双模特征融合的目标检测
qq_36130719的博客
12-31 1671
近年来，随着人工智能（Artificial Intelligence,AI）逐渐成为时代趋势，计算机视觉 （Computer Vision,CV）作为其中的一种重要前沿技术，受到了研究者们广泛的关注。使用计算机达到人类那样“看”的技术，不仅在很多行业的应用场景中大放异彩，在生 产和生活中也得到了大规模的应用。通过摄像机或成像仪捕获现实世界的图片或视频帧 信息，计算机通过算法提取出高级语义信息，以此辅助人完成一些高级任务。下面介绍几种计算机视觉包括的基本任务，具体如图1.1所示。
Opencv 目标检测和识别
07-19
对于学习opencv的初学者有很好的参考，主要是图像的目标检测和识别方法。
计算机视觉（三）：目标检测与识别
HHH_ANS的博客
12-27 3万+
1 - 引言 目标检测和识别，是计算机视觉最常见的挑战之一。 目标检测和识别的区别在于：目标检测是用来确定图像的某个区域是否含有要识别的对象，而识别是程序识别对象的能力。识别通常只处理已检测到对象的区域。 在计算机视觉中有很多目标检测和识别的技术 梯度直方图（Histogram of Oriented Gradient, HOG） 图像金字塔（image pyramid） 滑动窗口（slidin...
目标检测（Object Detection）简介
最新发布
u013250861的博客
04-13 2277
目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。计算机视觉中关于图像识别有四大类任务：（1）分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。（2）定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。
小目标检测与识别
qq_33151979的博客
03-07 2313
小目标检测:Improving Small Object Detection - 海星..._优快云博客 小目标检测论文阅读 - 开心的火龙果的博客 - 优快云博客 小目标检测的一些理解 - weixin_38440272的博客 - 优快云博客 ...
目标检测与识别（概述篇）
Alex-zzm
03-16 9114
之所以写粗略篇主要是自己以前稍微看了一下，还有一点点印象，接下来会逐篇精读，希望得到更多的收获，纯干做笔记用，有问题大家可以指出来。参考博客：http://blog.youkuaiyun.com/linolzhang/article/details/54344350 RCNN 基于Region Proposal的候选区域选择和边界回归（bounding-box regression...
mask rcnn算法分析_目标检测与识别算法入门指南
weixin_39582737的博客
11-24 484
原文|https://zhuanlan.zhihu.com/p/27546796提醒|本文已获得作者授权发布，如需转载请与作者联系。编辑|猩算法导读目标检测和识别是计算机视觉中重要的基础任务，为了能够帮助大家更好的了解目标检测和识别领域，我们精选知乎文章。作者李习华进行该领域阶段性方法整理，并对每类目标检测方案进行详细分析。本文思路清晰，讲解详细，是一篇极佳的入门级文章。本文作者为李习华...
目标检测YOLO实战应用案例100讲-基于YOLO模型的遥感影像 飞机目标检测技术研究
qq_36130719的博客
05-22 2523
遥感是一种无需接触的远程空间探测技术，该技术是通过记录、测量、解析星载或机载传感器等非接触式传感器获取的影像信息和数字图像信息并真实可靠地构造出相关自然物体和周围环境等信息的一门科学和工程技术[1]。随着中国航空航天事业和遥感技术的快速发展，中国已经成功地发射了数十颗高分辨率对地观测卫星，可以方便快捷地获取到全球范围内各种不同类型的高分辨率遥感影像。遥感影像空间分辨率的大幅提升，使得如今遥感影像数据具有庞大吞吐量、丰富细节、复杂背景等特征[2]；然而，工。
目标检测YOLO实战应用案例100讲-基于多特征融合的SSD目标检测（续）
qq_36130719的博客
04-13 328
由于卷积核尺寸单一，提取特征信息有限，用于检测的特征图中存在特征信息 不丰富、特征表达能力弱等问题，因此本文设计多感受野融合模块，通过不同尺 寸卷积核的多分支结构和空洞卷积来模拟不同尺度的感受野，充分提取不同尺度 感受野对应感知信息，再将多尺度感知信息进行融合，增强特征表达能力。本章首先简单介绍了本文的基础主干SSD网络结构，以及本章模块在整体结构中的位置；其次叙述了与本章多感受野融合模块相关的感受野的计算、多分支结构和空 洞卷积；随后具体介绍了本章的基于多感受野融合的模型结构和参数；最后说明。
（2-1）目标检测和识别：目标检测和识别介绍
码农三叔
02-23 1013
目标检测（Object Detection）是计算机视觉领域中的一个重要任务，其目标是在图像或视频中准确地定位和识别多个目标物体的位置和类别。目标检测在许多领域中具有广泛的应用，如自动驾驶、视频监控、人脸识别、物体识别等。在本章的内容中，将详细讲解实现常见的目标检测和识别算法，并展示这些算法的使用方法。
计算机视觉项目 - 目标检测与识别
QvisCs的博客
09-23 713
R-CNN系列：R-CNN（Region-CNN）是一种经典的目标检测方法，通过选择性搜索获取候选目标区域，然后使用卷积神经网络提取特征并进行分类。RetinaNet：RetinaNet是一种基于特征金字塔网络（Feature Pyramid Network，FPN）的目标检测方法，通过引入Focal Loss解决了目标检测中类别不平衡问题，提高了小目标的检测性能。目标检测与识别旨在从输入的图像或视频中找出感兴趣的目标，并准确定位其位置，最终输出目标的类别标签。二、目标检测与识别的常用方法。
目标检测与识别算法研究
风一样的男子（quinta）的博客
05-03 4115
一、目标检测与识别 目标检测与识别是很多计算机视觉任务的基础，通俗地讲，其目的是在目标场景中将目标用一个个框框出来，并且识别出这个框中的物体。即包括加测（where）和识别（what）两个过程。 1.技术难点 目标检测与识别任务对于人类来说，是一项非常简单的任务，但对于计算机却相当的困难，究其原因，是由很多不定因素所造成的，我将其总结为“八不定因素”，如下表...
第七弹 目标检测与识别
weixin_51826138的博客
02-13 512
这意味着在不同尺度下获得一系列的窗口，然后用与在原始尺度下进行检测相同的方法来计算叫小尺度下的窗口大小，最后，把这个窗口号与原始窗口放在一起。提取特征的流程：将图像分割成若干小单元，每个小单元是16 x 16的像素块，每个单元都包含了视觉表示，该视觉表示是按八个方向所计算的颜色梯度。，只需要一个匹配结果，且对具有良好评分的图像不感兴趣，而是对具有最高评分的图像区域感兴趣。是一个程序，用来约定图像的某个区域是否含有要识别的对象，对象识别是程序识别对象的能力。（2）使用任意尺度的参数来调整（缩小）图像的大小；
深度学习之目标检测与目标识别
笨拙的石头的博客
06-05 6万+
本文主要讲述了目标识别中的第一种类型---基于region proposal的目标检测和目标识别的算法, 主要主要包括R-CNN,Fast R-CNN,Faster R-CNN等网络, 揭示了基于region proposal的目标检测和目标识别的算法的发展历程.此外,在开头还简要叙述了目标识别的分类及其应用的主要场景.
目标检测（Object Detection）
热门推荐
yegeli的博客
11-20 25万+
文章目录目标检测（Object Detection）一、基本概念1. 什么是目标检测2. 目标检测的核心问题3. 目标检测算法分类1）Tow Stage2）One Stage4. 目标检测应用1）人脸检测2）行人检测3）车辆检测4）遥感检测二、目标检测原理1. 候选区域产生1）滑动窗口2）选择性搜索① 什么是选择性搜索② 选择搜索流程③ 选择搜索优点2. 数据表示3. 效果评估4. 非极大值抑制三、目标检测模型1. R-CNN系列1）R-CNN① 定义② 流程③ 效果④ 缺点2）Fast R-CNN① 定义
机器视觉-目标检测、目标识别、图像分类
记录老板的每次pua，分享领导每天的毒鸡汤...
04-13 5517
学习资料 计算机视觉相关数据集和比赛：https://blog.youkuaiyun.com/nnnnnnnnnnnny/article/details/68485160 计算机视觉领域不同的方向：目标识别、目标检测、语义分割等：https://blog.youkuaiyun.com/u011574296/article/details/78933427 1.目标检测: 对于一幅图像，确定图像中目标的位置、大小以及类别(是哪一类:比如人，猫等) 2.目标识别:对于一幅图像中的物体，在确定其类别的基础上，进一步确定这个目标是谁(比如
深入详解人工智能计算机视觉之目标检测与识别
编程技术探索者，分享C/C++、C#、Java、数据库等开发经验，聚焦实战技巧与AI兴趣，助力编程爱好者成长。
01-09 2133
深入详解人工智能计算机视觉之目标检测与识别
深度解析目标检测：从R-CNN到YOLO的演变
本文档将概述与目标检测相关的经典论文及其算法，包括selective search、R-CNN系列模型（包括Fast R-CNN、Faster R-CNN）、SPP-Net、FPN、Mask R-CNN以及YOLO和SSD系列等。 selective search是一种在目标检测中广泛...
评论 1
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