计算机视觉 Computer Vision Chaper10 目标检测 下

区域卷积神经网络(R-CNN)系列

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

R-FCN

区域-全卷积网络
在这里插入图片描述
在这里插入图片描述
检测网络是回归,分类网络是分类。全连接层fully connect后,相对位置就丢失了。卷积层的相对位置是不变的。所以判断位置的检测网络,我们希望全是卷积网络,而分类任务的最后一层,是全连接的也没关系。
在这里插入图片描述
共享卷积层可以减少计算量。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

YOLO系列

YOLO V1

在这里插入图片描述
在这里插入图片描述
最后输出reshape后是7730. 7*7是数据块。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

YOLO V2/9000

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

YOLO V3

在这里插入图片描述
在这里插入图片描述

人脸检测和行人检测

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

基于Darknet的YOLO实现

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

版权声明:本文为CSDN博主「爱学习的大叔」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/weixin_43716712/article/details/121963959

我还没有学会写个人说明!

暂无评论

发表评论

相关推荐

PsROI Pooling 深入理解,附代码

faster rcnn 和 rfcn 的最大不同点在于rfcn采用了PsROI Pooling 保留了局部区域的位置敏感性。 输入batch_size N 的批次训练图像。 假设我们通过 RPN 层网络获取了 M 个 rois, 每个 ro

GiraffeDet:Heavy Neck的目标检测框架

关注并星标 从此不迷路 计算机视觉研究院 公众号ID|ComputerVisionGzq 学习群|扫码在主页获取加入方式 获取论文:关注并回复“GD” 计算机视觉研究院专栏 作者:Edison_G 在传统的目标检测框架中,从图像识别模型继承的主