知识卡片

普通读书笔记卡 · 9424.j · 生成模型:Tencent Hunyuan Hy

单阶段检测器:YOLO 与 SSD

理解等级:高级

两阶段检测器依赖区域提议,难以实时。YOLO 是 2015-16 年提出的基于回归的端到端架构,仅用单个 CNN 实时检测:把图像划成 S×S 网格,每格预测两个边界框及类别概率,每框含 (x, y, w, h) 五个值,网络共输出 S×S×(B×5+C) 个预测。它用 24 个卷积层配两个全连接层,损失含位置、宽高、置信度与分类四项;缺点是对不同比例对象鲁棒性差、难检出密集小物体。SSD 同为回归检测器却更快更准:以 VGG16 作基础网络并去掉全连接层,末端追加六层逐渐缩小的卷积以提取多尺度特征映射,再在各点为默认框用 3×3 核预测偏移与类别分数。参见 [[两阶段检测器:R-CNN 与 Faster R-CNN]]。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • CNN 架构 使用 CNN 的对象检测 · 查看原书依据

      Joseph Redmon,Santosh Divvala,Ross Girshick 和 Ali Farhadi 在 2015-16 年开发了一种新的基于预测(基于回归)的架构,该架构能够进行实时检测。 该架构称为 YOLO ,它是您只看一次的缩写。 YOLO 是一种端到端可训练的架构,仅使用单个 CNN 来检测对象。

    参考来源

    - 位置:《Python深度学习架构实用指南(初译)》第04章《CNN 架构》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/08.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文说明 YOLO 以单 CNN 网格回归实现实时检测及其不足,并以 SSD 多尺度特征弥补,支撑单阶段检测器演进的结论。 - 原始内容:Joseph Redmon,Santosh Divvala,Ross Girshick 和 Ali Farhadi 在 2015-16 年开发了一种新的基于预测(基于回归)的架构,该架构能够进行实时检测。 该架构称为 YOLO ,它是您只看一次的缩写。 YOLO 是一种端到端可训练的架构,仅使用单个 CNN 来检测对象。