深度学习object detection
Posted lightsun
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了深度学习object detection相关的知识,希望对你有一定的参考价值。
目标检测(object detection)的基本思路: 检测(detection)+ 定位(localization)
目标检测在很多场景有用,如无人驾驶和安防系统。
- 传统方法
特征提取算法(如:haar特征,HOG特征)+分类器(如:svm)
- 深度学习方法
- R-CNN (Regions with CNN features) 基于卷积神经网络特征的区域方法
Selective Search to Extract Regions + CNN提取特征 + SVM分类
主要步骤:
(1) 输入测试图像
(2) 利用selective search算法在图像中提取2000个左右的region proposal。
(3) 将每个region proposal缩放(warp)成227x227的大小并输入到CNN,将CNN的fc7层的输出作为特征。
(4) 将每个region proposal提取到的CNN特征输入到SVM进行分类。
-
- Fast-RCNN
去掉了单独SVM分类的部分,直接用CNN的网络实现分类
Fast R-CNN在整个图片上使用CNN,然后对特征映射使用“兴趣区域” (Region of Interest, RoI) 池化,最后使用前馈网络进行分类和回归。
主要步骤:
(1)在图像中确定约1000-2000个候选框 (使用选择性搜索)
(2)对整张图片输进CNN,得到feature map
(3)找到每个候选框在feature map上的映射patch,将此patch作为每个候选框的卷积特征输入到SPP layer和之后的层
(4)对候选框中提取出的特征,使用分类器判别是否属于一个特定类
(5)对于属于某一特征的候选框,用回归器进一步调整其位置
-
- Faster-RCNN
Faster-RCNN添加了区域提案网络 (Region Proposal Network, RPN),摆脱了选择性搜索算法,并可以做到端到端的训练。
(1)对整张图片输进CNN,得到feature map
(2)卷积特征输入到RPN,得到候选框的特征信息
(3)对候选框中提取出的特征,使用分类器判别是否属于一个特定类
(4)对于属于某一特征的候选框,用回归器进一步调整其位置
-
- SSD
SSD算法是一种直接预测目标类别和bounding box的多目标检测算法。与faster rcnn相比,该算法没有生成 proposal 的过程,这就极大提高了检测速度。
- 代码实践
Reference:https://blog.csdn.net/f290131665/article/details/81012556
以上是关于深度学习object detection的主要内容,如果未能解决你的问题,请参考以下文章
深度学习与图神经网络核心技术实践应用高级研修班-Day4基于深度学习的目标检测(object_detection)
新书深度学习图像识别技术:基于TensorFlow Object Detection API和OpenVINO™ 工具套件
物体检测object detection object recognition和coco数据集 动手学深度学习v2 pytorch
深度学习论文翻译解析:Faster R-CNN: Down the rabbit hole of modern object detection