目标检测发展

目前目标检测算法发展成了两条技术路线:Anchor based方法和Anchor free方法。

一:Anchor based

Anchor-based方法则包括一阶段和二阶段检测算法(二阶段目标检测算法一般比一阶段精度要高,但一阶段检测算法速度会更快)。

   1.1 Two-stage目标检测算法

二阶段算法主要分为以下2个阶段:

  1. 从图像中生成Region proposals
  2. 从Region proposals生成最终的物体边框并分类。

主要算法:R-CNN系列

   1.2 One-stage目标检测算法

一阶段目标检测算法不需要region proposal阶段,直接产生物体的类别概率和位置坐标值,经过一个阶段即可直接得到最终的检测结果,因此有着更快的检测速度。

主要算法:YOLO系列、SSD

   1.3​​​​​​​ Anchor based目标算法局限性

基于Anchor的目标检测算法主要有以下四大缺点:

1.Anchor的大小,数量,长宽比对于检测性能的影响很大,因此Anchor based的检测性能对于anchor的大小、数量和长宽比都非常敏感。

2.这些固定的Anchor极大地损害了检测器的普适性,导致对于不同任务,其Anchor都必须重新设置大小和长宽比。

3.为了去匹配真实框,需要生成大量的Anchor,但是大部分的Anchor在训练时标记为负样本,所以就造成了样本极度不均衡问题。

4.在训练中,网络需要计算所有Anchor与真实框的IOU,这样就会消耗大量内存和时间。

二:Anchor free

近年的Anchor free技术则摒弃Anchor,通过确定关键点的方式来完成检测,大大减少了网络超参数的数量。

主要算法:CornerNet

版权声明:本文为CSDN博主「菜狗子a」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_44570701/article/details/122311952

菜狗子a

我还没有学会写个人说明!

暂无评论

发表评论

相关推荐

读取xml文件中的信息

VOC格式标签:图片的实际宽和高,标注框的左上角和右下角坐标YOLO格式标签:标注框的中心坐标(归一化的),标注框的宽和高(归一化的&#xff09

【目标检测】YOLO、SSD、CornerNet原理介绍

目标检测是计算机视觉中比较简单的任务,用来在一张图篇中找到某些特定的物体,目标检测不仅要求我们识别这些物体的种类,同时要求我们标出这些物体的位置。其中类别是离散数据,位置是连续数据。 目