admin管理员组文章数量:1627748
易语言注册机多线程,批量,速度快
一、算法基本流程
1、传统目标检测基本流程
二、传统目标检测方法
1、Viola-Jones(人脸检测)
Haar 特征:
2、HOG + SVM(行人检测)
3、DPM(物体检测)
4、NMS(非极大值抑制算法)
三、深度学习目标检测方法
1、one-stage
2、two-stage
核心组件:
CNN 网络;
RPN 网络:
区域推荐(Anchor 机制);
RoI Pooling:
输入:特征图、rois(1x5x1x1)以及 RoI 参数;
输出:feature map。
分类和回归。
3、SSD 算法
One-stage;
直接回归目标类别和位置;
在不同尺度的特征图上进行检测;
端到端的训练;
图像分辨率较低也能保证检测的精度。
主干网络: VGG、ResNet、MobileNets 等;
多尺度Feature map 预测:
不同层的 feature map;
Prior box:类别概率和坐标(x, ty, w, h)。
(1)、Prior Box Layer
每个点都作为一个 cell:m x n 个;
每个 cell 上生成固定 scale 和 aspect ratio 的 box:
假设一个feature map有m x n个cell,每个cell对应k个default box,每个default box预测c个类别score和4个offset;
输出:( c + 4 ) × k × m × n (c+4)\times k\times m\times n(c+4)×k×m×n。
(2)、构造样本
正样本:
从GT box出发找到最匹配的prior box放入候选正样本集;
从prior box集出发,寻找与GT box满足IoU>0.5的最大prior box放入候选正样本集;
负样本:
难例挖掘;
正负样本:1:3.
(3)、损失函数
分类 Loss:Softmax;;
回归 Loss:Smooth L1 Loss。
(4)、优化及扩展
SSD算法对小目标不够鲁棒的最主要的原因是浅层feature map的表征能力不够强。
DSSD
加入上下文信息;
更好的基础网络(ResNet)和Deconvolution层,skip连接来给浅层feature map更好的表征能力。
DSOD
DSOD = SSD + DenseNet
设计原则:
基于候选区域提取的方法无法从零开始训练,不收敛,只有proposal-free方法可以从零开始训练并收敛(ROI Pooling);
DenseNet中更多的skip connections 实现supervised signals传递;
增加dense blocks数量区别原先固定数量;
Stem Block优化(3个3 *3卷积层和1个2 *2最大池化层);
6个尺度特征图进行目标检测,再融合(如何利用特征图);
FSSD
设计原则
借鉴了 FPN 的思想,重构了一组pyramid feature map;
把网络中某些 feature 调整为同一 size 再 contact
版权声明:本文标题:易语言注册机多线程 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://www.elefans.com/xitong/1728993215a1182071.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论