知识卡片
两步法与一步法的精度速度权衡
基于深度学习的目标检测分为两步法与一步法,差别在于是否显式生成候选区域。
两步法先产生候选框,再对每个框提取特征并分类回归。RCNN 首次把 CNN 用于检测,VOC2007 上 mAP 达 58.5%,但每帧要处理最多 2000 个候选区,速度很慢。Fast R-CNN 引入空间金字塔池化,使候选区共享卷积计算,训练快 9 倍、检测快 213 倍,mAP 升至 70.0%。Faster R-CNN 用区域生成网络替代选择搜索,把候选生成也纳入网络,mAP 达 73.2%。 一步法在单个网络中直接输出检测结果。YOLO 把检测统一为一次回归,速度比 Fast R-CNN 快近 10 倍,但只利用最后一层 7×7 特征图,小目标检测差;YOLOv2 改用 448×448 高分辨率分类网络,mAP 提升约 4%;YOLOv3 采用 Darknet-53,COCO 上 mAP 达 57.9%。SSD 同样单网络完成,但利用多层特征图,精度接近两步法而速度接近 YOLO。
本质权衡是候选框数量与特征复用次数:候选越多越准也越慢;单次前向快,但小目标更依赖多尺度特征。
结构图:
flowchart TD
A[输入图像] --> B[候选区域生成]
B --> C[逐区域CNN特征]
C --> D[分类与边框回归]
A --> E[单网络一次前向]
E --> F[网格与多尺度预测]
D --> G[检测结果]
F --> G
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第1章 概述
原书出处 · 1 处
- 第1章 概述 · 查看原书依据
该方法首次将CNN用在目标检测中,显著提高了目标检测性能,在VOC(Visual Object Classes)2007数据集上平均精度均值(mean Average Precision,mAP)达到了58.5%
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第1章 概述(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt001.html)
- 结论依据:基于深度学习的目标检测分为两步法与一步法,差别在于是否显式生成候选区域。
- 原始内容:该方法首次将CNN用在目标检测中,显著提高了目标检测性能,在VOC(Visual Object Classes)2007数据集上平均精度均值(mean Average Precision,mAP)达到了58.5%