基于深度学习的目标检测学习总结

Azure-Sky 2018-06-17 11:32
在计算机视觉领域,“目标检测”主要解决两个问题:图像上多个目标物在哪里(位置),是什么(类别)。 围绕这个问题,人们一般把其发展历程分为3个阶段: 1. 传统的目标检测方法 2. 以R-CNN为代表的结合region proposal和CNN分类的目标检测框架(R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN, R-FCN) 3. 以YOLO为代表的将目标检测转换为回归问题的端到端(End-to-End)的目标检测框架(YOLO, SSD)
2427 0 1

像玩乐高一样拆解Faster R-CNN:详解目标检测的实现过程

Azure-Sky 2018-06-21 09:20
Luminoth 实现:https://github.com/tryolabs/luminoth/tree/master/luminoth/models/fasterrcnn 在阅读本文之前,若想了解 R-CNN 网络家族的发展,可以参看机器之心的文章: 深度 | 用于图像分割的卷积神经网络:从R-CNN到Mark R-CNN 去年,我们决定深入了解 Faster R-CNN,阅读原始论文以及其中

深度学习目标检测模型全面综述:Faster R-CNN、R-FCN和SSD

Azure-Sky 2018-06-17 16:21
Faster R-CNN、R-FCN 和 SSD 是三种目前最优且应用最广泛的目标检测模型。其他流行的模型通常与这三者类似,都依赖于深度 CNN(如 ResNet、Inception 等)来进行网络初始化,且大部分遵循同样的 proposal/分类管道。本文介绍了深度学习目标检测的三种常见模型:Faster R-CNN、R-FCN 和 SSD。
关注微信公众号