目标检测网络构成部分,backbone + neck + head?分别代表什么意思,都有哪些网络

文章目录[隐藏]

目标检测网络构成部分

在这里插入图片描述

detector=backbone + neck + head

backbone部分的网络就是负责从图像中提取特征。
neck是放在backbone和head之间的,是为了更好的利用backbone提取的特征。
head这一部分的作用就是用于分类+定位。


backbone


VGG
ResNet (ResNet18, 50, 100)
ResNext
DenseNet
SqueezeNet
Darknet (Darknet19,53)
MobileNet
ShuffleNet
DetNet
DetNAS
SpineNet
EfficientNet (EfficientNet-BO/B7)
CSPResNeXt50
CSPDarknet53


neck


Additional blocks:
SPP
ASPP
RFB
SAM
Path-aggregation blocks:
FPN
PAN
NAS-FPN
Fully-connected FPN
BiFPN
ASFF
SFAM
NAS-FPN

head

Dense Prediction (one-stage):
RPN
SSD
YOLO
RetinaNet
(anchor based)
CornerNet
CenterNet
MatrixNet
FCOS(anchor free)
Sparse Prediction (two-stage):
Faster R-CNN
R-FCN
Mask RCNN (anchor based)
RepPoints(anchor free)

版权声明:本文为CSDN博主「weixin_48780159」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_48780159/article/details/115573361

weixin_48780159

我还没有学会写个人说明!

暂无评论

发表评论

相关推荐

【模型压缩】Yolov3目标检测模型蒸馏实验

PaddleDetection知识蒸馏 知识蒸馏主要是让让新模型(通常是一个参数量更少的模型)近似原模型(模型即函数)。注意到,在机器学习中,我们常常假定输入到输出有一个潜在的函数关系,这个函数是未知的:从头学习一个新模型就是从有限的数据中近

深度学习_目标检测_“YOLOv5”详解(持续更新)

我最近对很火的元宇宙及其衍生概念进行了思考,虽然现在谈元宇宙落地还为时尚早,但是根据这个愿景反推回来很多的技术趋势和未来的发展方向还是值得关注的。下面是我的公众号原文:【AI行业进展研究与商业价值分析】