丽水市龙泉市网站建设公司,成都那家网站制作公司好,wordpress 小工具 位置,东莞网络推广哪家好目标检测算法
PASCALVOC2012数据集 挑战赛主要分为 图像分类 目标检测 目标分割 动作识别 数据集分为四个大类 交通#xff08;飞机 船 公交车 摩托车#xff09; 住房#xff08;杯子 椅子 餐桌 沙发#xff09; 动物#xff08;鸟 猫 奶牛 狗 马 羊#xff09; 其他飞机 船 公交车 摩托车 住房杯子 椅子 餐桌 沙发 动物鸟 猫 奶牛 狗 马 羊 其他人 MS COCO数据集 mAP 目标检测前言 1. RCNN 1.框定候选区 2.对每一个候选区域使用深度网络提取特征 3.将特征送入每一类的SVM分类器判定类别 4.使用回归器精细修正候选框位置 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3LsnYSGV-1692175490949)(/Users/hudie/Library/Application%20Support/typora-user-images/image-20230323093521225.png)] RCNN存在的问题 1.速度慢 2.空间大 2.FasterRCNN 3 Faster R-CNN Faster RCNN检测部分主要可以分为四个模块 1conv layers。即特征提取网络用于提取特征。通过一组convrelupooling层来提取图像的feature maps用于后续的RPN层和取proposal。 2RPNRegion Proposal Network。即区域候选网络该网络替代了之前RCNN版本的Selective Search用于生成候选框。这里任务有两部分一个是分类判断所有预设anchor是属于positive还是negative即anchor内是否有目标二分类还有一个bounding box regression修正anchors得到较为准确的proposals。因此RPN网络相当于提前做了一部分检测即判断是否有目标具体什么类别这里不判以及修正anchor使框的更准一些。 3RoI Pooling。即兴趣域池化SPP net中的空间金字塔池化用于收集RPN生成的proposals每个框的坐标并从1中的feature maps中提取出来从对应位置扣出来生成proposals feature maps送入后续全连接层继续做分类具体是哪一类别和回归。 4Classification and Regression。利用proposals feature maps计算出具体类别同时再做一次bounding box regression获得检测框最终的精确位置 FPN 结构讲解 Region Proposal Network直接翻译是“区域生成网络”通俗讲是“筛选出可能会有目标的框”。其本质是基于滑窗的无类别object检测器输入是任意尺度的图像输出是一系列矩形候选区域
Faster R-CNN由两个模块组成第一个模块是用来产生区域推荐的RPN第二个模块是使用推荐区域的Fast R-CNN检测器。
传统检测方法提取候选区域都非常耗时如OpenCV adaboost使用滑动窗口图像金字塔或R-CNN使用SS(Selective Search)。而Faster RCNN直接使用RPN生成检测框能极大提升检测框的生成速度而RPN是用一个全卷积网络来实现的可以与检测网络共享整幅图像的卷积特征从而产生几乎无代价的区域推荐
非极大值抑制
Non-Maximum Suppression的翻译是非“极大值”抑制而不是非“最大值”抑制。这就说明了这个算法的用处找到局部极大值并筛除抑制邻域内其余的值
SSD
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CMCbTRvH-1692175490951)(https://cdn.staticaly.com/gh/hudiework/imgmain/image-20230425093635171.png)]
经典算法
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RJm3pHfV-1692175490951)(https://cdn.staticaly.com/gh/hudiework/imgmain/image-20230425154244293.png)]
实际上训练结果 faster 和ssd 训练结果 差不多 如果训练集比较小的话 那么 faster rcnn 比ssd训练结果要好一点 ssd 检测速度要比rcnn块很多 单gpu可以检测50-60张 fpnssd RetinaNet 检测精度差不多 fpn faster rcnn 但是检测速度快很多
SSD: 训练结果 YOLO yolov1
YoloV1 对于群体性的小目标 适应性效果更差 小的值并且目标比较密集的话 yolov1 是不能做的 主要的就是 定位不准确 直接定位 而不是相对于 anchor进行回归预测
Yolov2 YOLOV3 yoloV3spp yoloV3SPP训练
第一步 先将pascal数据集转换成yolo专用的数据格式 分割之后的数据集显示、 YoloV4
YOLOv4是2020年Alexey Bochkovskiy等人发表在CVPR上的一篇文章并不是Darknet的原始作者Joseph Redmon发表的但这个工作已经被Joseph Redmon大佬认可了。之前我们有聊过YOLOv1YOLOv3以及Ultralytics版的YOLOv3 SPP网络结构如果不了解的可以参考之前的视频YOLO系列网络详解。如果将YOLOv4和原始的YOLOv3相比效果确实有很大的提升但和Ultralytics版的YOLOv3 SPP相比提升确实不大但毕竟Ultralytics的YOLOv3 SPP以及YOLOv5都没有发表过正式的文章所以不太好讲。所以今天还是先简单聊聊Alexey Bochkovskiy的YOLOv4。 https://blog.csdn.net/qq_37541097/article/details/123229946?spm1001.2014.3001.5501 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gOAlg63O-1692175490953)(…/…/Library/Application%20Support/typora-user-images/image-20230509150732751.png)]
YoloV5 https://blog.csdn.net/qq_37541097/article/details/123594351?spm1001.2014.3001.5501 FCOS
在之前讲的一些目标检测网络中比如Faster RCNN系列、SSD、YOLOv2~v5注意YOLOv1不包括在内都是基于Anchor进行预测的。即先在原图上生成一堆密密麻麻的Anchor Boxes然后网络基于这些Anchor去预测它们的类别、中心点偏移量以及宽高缩放因子得到网络预测输出的目标最后通过NMS即可得到最终预测目标。那基于Anchor的网络存在哪些问题呢在FCOS论文的Introduction中作者总结了四点 检测器的性能和Anchor的size以及aspect ratio相关比如在RetinaNet中改变Anchor论文中说这是个超参数hyper-parameters能够产生约4%的AP变化。换句话说Anchor要设置的合适才行。一般Anchor的size和aspect ratio都是固定的所以很难处理那些形状变化很大的目标比如一本书横着放w远大于h竖着放h远大于w斜着放w可能等于h很难设计出合适的Anchor。而且迁移到其他任务中时如果新的数据集目标和预训练数据集中的目标形状差异很大一般需要重新设计Anchor。为了达到更高的召回率查全率一般需要在图片中生成非常密集的Anchor Boxes尽可能保证每个目标都会有Anchor Boxes和它相交。比如说在FPNFeature Pyramid Network中会生成超过18万个Anchor Boxes以输入图片最小边长800为例那么在训练时绝大部分的Anchor Boxes都会被分为负样本这样会导致正负样本极度不均。下图是我随手画的样例红色的矩形框都是负样本黄色的矩形框是正样本。Anchor的引入使得网络在训练过程中更加的繁琐因为匹配正负样本时需要计算每个Anchor Boxes和每个GT BBoxes之间的IoU。 YoloX
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FH5u3ZHP-1692175490954)(…/…/Library/Application%20Support/typora-user-images/image-20230509192721569.png)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xce3laRw-1692175490954)(…/…/Library/Application%20Support/typora-user-images/image-20230509193705340.png)]
