深度学习：目标检测算法效果对比

深度学习：⽬标检测算法效果对⽐

one stage 检测算法透明国际

R-CNN:

使⽤selective search⽅法先产⽣region proposals，再使⽤浅层CNN⽹络进⾏特征提取，最后使⽤svm进⾏分类。这篇论⽂⾥提及的⼀个点，就是关于bbox的回归⽅法。由于使⽤selective search⽅法提取的每⼀个region都进⾏⼀次前向卷积操作，因此R-CNN⽅法⾮常耗时，不适于实际检测使⽤。

SPP-Net:

针对R-CNN多次使⽤CNN提取特征，有重复计算的弊端，SPP-Net提出的⽅法是，在原图上只提取⼀次特征，然后采⽤映射的⽅式，到region在feature map上的映射区域，再将该区域送到分类器(SPP-Net使⽤的依然是svm)中进⾏训练。另外，SPP-Net所设计的⽹络架构(SPP)可以处理任意尺⼨的输⼊图⽚，⽽不需要像R-CNN那样，需要事先对region进⾏crop/warp操作。

结果显⽰，由于提取特征时可以共享特征，该⽅法相较于R-CNN，继降低了耗时，也提升了检测精度。

YOLO

YOLO2

留住今天的太阳

SSD

检测速度最快。

RetinaNet

综合性能最佳。

三维网two stage 检测算法

Fast R-CNN:

这篇⽂章综合考虑了R-CNN和SPP-Net的优缺点，⽹络设计了⼀种ROI Pooling Layer（其实就是1个level的SPP）。这篇⽂章主要的共享是，将bbox回归和cls回归放在⼀起处理。电子束加工

Faster R-CNN

提出了RPN⽹络，能够⾃⼰学习产⽣region proposals。实际上就是RPN+Fast R-CNN。

Mask R-CNN

效果对⽐

阿凡达阿凡提YOLO & YOLOv2

（1）边框定位不够精准，尤其是⼩⽬标

（2）⽬标检出率低，尤其是⼩⽬标

（3）误报少

（4）耗时少

SSD

仪用放大器（1）边框定位准

（2）⽬标检出率⾼

（3）误报相较YOLO多

（4）耗时多

faster- rcnn

（1）边框定位准

（2）⽬标检测率⾼（3）耗时⾼

（4）训练时间长

（5）误报相较YOLO⾼[1]

本文发布于:2024-09-21 13:16:48，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/473554.html

上一篇：pBBR1MCS-2载体质粒图谱、序列、说明书、价格

下一篇：全国细菌耐药监测网2014—2019年粪便标本细菌耐药监测报告

标签：检测特征设计区域回归提取耗时学习

留言与评论（共有 0 条评论）