本文概述了目标检测算法的发展历程，包括R-CNN系列（R-CNN、FastR-CNN、FasterR-CNN和MaskR-CNN），以及SSD和YOLO等单发多框检测方法。同时介绍了转置卷积、全连接卷积神经网络和循环神经网络及其变种，如GRU、LSTM和深度RNN。编码-解码器架构和Seq2Seq模型用于处理变长序列问题，文中还提及了BLEU和BeamSearch在序列生成中的应用。
一 、目标检测算法
1. R-CNN
a . 算法步骤
- 使用启发式搜索算法来选择锚框（选出多个锚框大小可能不一，需要使用Rol pooling）
- 使用预训练好的模型（去掉分类层）对每个锚框进行特征抽取（如VGG,AlexNet…)
- 训练一个SVM来对每个类进行分类
- 训练一个线性回归模型来预测边缘框偏移
b . Rol Pooling
每个锚框的大小是不一样的大的，所以需要对锚框进行处理
2 . Fast R-CNN
R-CNN对于每个锚框都有重复的部分，所以计算的时候会有重复计算，没有共享计算.而 Fast R-CNN的改进就是不是对锚框进行特征抽取，而是直接对整个图片进行特征抽取，对对应的锚框位置直接映射到了抽取完成的图片的位置，然后再进行向前传播
3 . Faster R-CNN
4 . Mask R-CNN
5 . 总结
二 、 SSD (单发多框检测)
总结：
- SSD通过单神经网络来检测模型
- 以每个像素为中心的产生多个锚框
- 在多个段的输出上进行多尺度的检测（下面的检测小物体，上面的段检测大的物体）
三、 YOLO(你只看一次)
四 、 转置卷积
大多的时候取得的都是图像的上采样，也不是卷积的一个逆运算，最后也是一个卷积运算
上采样：将我们的输入变大
<
最低0.47元/天 解锁文章
扫一扫
1215
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
