前言
一、基于深层神经网络的目标检测
1.是否存在候选区
2.是否存在先验框
二、各类目标检测算法的机制、优势、局限性及适用场景
三、目标检测的基本原理
总结
前言
随着今年来科学技术的发展,尤其是人工智能和大数据技术的不断发展,不断应用于生活中的各个领域,给人们的生活带来方便和便利,深度学习这门技术也是越来越重要,目标检测也是深度学习的一个应用领域,本文主要介绍目标检测任务和发展脉络。
一、基于深层神经网络的目标检测
现阶段目标检测算法存在两类分类标准:1)是否存在候选区;2)是否存在先验框。
1.是否存在候选区
按照是否存在候选区分类可以分为两阶段目标检测算法和一阶段目标检测算法。两阶段目标检测算法的第一级网络用于候选区的提取,第二级网络用于对候选区进行分类和回归。经典的网络有RCNN,SPPNet,Fast RCNN,Faster RCNN。一阶段目标检测算法不对候选区进行提取,只用了一级网络就完成了分类和回归。经典的网络有SSD,Yolo系列,RetinaNet。
2.是否存在先验框
按照是否存在先验框分类可以分为基于锚框的目标检测算法和无锚框的目标检测算法。基于锚框的目标检测算法首先建立不同长宽比的检测框,然后对锚框中的内容进行分类和回归。经典网络有RCNN,Fast RCNN,Faster RCNN,SSD。无锚框的目标检测算法是基于中心区域和关键点的目标检测算法,取消了锚框生成机制,加快了速度。经典网络有Yolov1,Yolov2,CenterNet,CornorNet,Fcos。
二、各类目标检测算法的机制、优势、局限性及适用场景
算法类别 | 机制 | 优势 | 局限性 | 适用场景 |
两阶段算法 | 先生成候选区,再对候选区进行分类和回归 | 算法精确度高 | 实时性差 检测小目标效果差 | 高精度目标检测 |
一阶段算法 | 不生成候选区直接进行分类和回归 | 实时性高 | 成群目标和小目标检测精度低 | 实时目标检测 |
基于锚框的算法 | 先生成锚框,对锚框进行分类和回归 | 技术较成熟 | 算法泛化能力差 训练效率低 | 通用目标检测 |
无锚框算法 | 根据中心点和关键点生成边界框 | 算法泛化能力强,检测小目标精度高 | 不适合进行通用目标检测 精度低于基于锚框的算法 | 多尺度目标检测,小物体目标检测 |
三、目标检测的基本原理
目标检测主要的特点是可以一次性的输出图片中所检测到的目标信息,包括类别和位置。通过不同的网络结构最后可以将图片变成(MXMXN),可以浓缩成MXM个多特征维度的点(1x1xN)。
总结
以上就是今天要讲的内容,本文仅仅简单介绍了目标检测的分类和常用的经典算法,各类目标检测算法的机制、优势、局限性及适用场景,以及目标检测的基本原理。