物体识别网络汇总

最新推荐文章于 2025-04-02 10:36:53 发布

原创最新推荐文章于 2025-04-02 10:36:53 发布 · 590 阅读

CC 4.0 BY-SA版权

35 篇文章

订阅专栏

5 篇文章

订阅专栏

2 篇文章

订阅专栏

本文介绍了多种目标检测算法，包括1R-CNN、HCP-2014、SSPnet、Fast R-CNN等，并详细阐述了每种算法的特点及改进之处。还涉及了OverFeat、YOLO系列、SSD等滑动窗口方法，以及Cascade R-CNN、EfficientDet等最新进展。

部署运行你感兴趣的模型镜像

结合了region proposal和卷积网络，使region proposal方法流行起来；

HCP（hypothesis-CNN-Pooling）.采用BING生成proposal。

提升了R-CNN。引入了空间金字塔池化层。

扩展了SSPnet，端到端训练，最小化一个损失（confidence 和bounding box 回归）。RPN产生region proposals。

后面提出了mask R-CNN。

Sliding window 方法。在知道潜在物体分类的confidence后，从topmost feature map的每一个位置直接预测bounding box。

Sliding window 方法。使用整个topmost feature map 来预测分类confidence和bounding box。

后面提出了YOLOv2 、YOLOv3

Sliding window 方法。没有使用proposal步骤，而是使用默认（default）box。

包括一系列递增IoU阈值的检测者（detector）。0.5阈值的region-wise检测者（detector）对低IoU输入有较好的检测能力；0.7阈值的region-wise检测者（detector）对高IoU输入有较好的检测能力。

1，多尺度特征融合；2.模型的规模精简

主要是U形的设计，左边一些收缩的层和右边一些上采样(扩张的)的层，右边的层用一些上采样操作替换一般神经网络的的池化（pooling）操作。这些上采样层增加了输出的分辨率。为了更好的定位，来自左边收缩层的高分辨率的特征与上采样的输出结合

Regional Latent Semantic Dependencies。
RLSD可以看做是CNN+RPN（region proposal network）+LSTM. 用于多标签图片分类，即识别一张图片中的多个物体与类别。CNN采用的VGGNET。

您可能感兴趣的与本文相关的镜像

Yolo-v8.3

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