场景文本检测&识别学习 day04(目标检测的基础概念)
- 开发
- 18
-
经典的目标检测方法
one-stage 单阶段法:YOLO系列
- one-stage方法:仅使用一个CNN,直接在特征图上预测每个物体的类别和边界框
- 输入图像之后,使用CNN网络提取特征图,不加入任何补充(锚点、锚框),直接输出预测框左上右下角的坐标以及物体的类别
- 即该CNN网络在单次前向传播中,不仅提取特征,还要预测每个物体的类别和边界框
- 优点:速度非常快,适合做实时检测任务
- 缺点:效果通常不会太好
two-stage 两阶段:Faster-RCNN 、 Mask-RCNN系列
- two-stage方法:使用多个网络组件,CNN、RPN等,而CNN仅用来提取特征图,在最后包含全连接层的网络上输出每个物体的类别和边界框
- 一阶段,区域提议:输入图像之后,会先经过CNN网络,生成特征图。在将特征图送入RPN(区域提议网络)生成一系列区域提议(预选框、锚框),RPN根据这些预选框,输出这些锚框包含物体的概率,以及锚框与真实框的偏移量
- 二阶段,检测:对于每个提议区域(RoI),使用RoI池化、RoI Align等方法,从特征图中提取固定尺寸大小的特征,并将这些特征送入全连接层,得到最后选择的锚框中的类别概率、边界框的调整参数。(因为锚框在第一步生成了非常多,所以可能会有多个边界框检测到同一物体。)最后需要使用NMS来过滤这些重复框。最后根据置信度阈值来输出类别、相应置信度得分、以及目标的边界框
锚点、锚框
- 锚点、锚框作为额外补充的方法,主要用在two-stage的目标检测方法中,但是YOLOV2开始,也使用锚点、锚框来提升模型对不同尺寸和形状的物体的检测能力,但区别于two-stage的方法,YOLO仍然是在单个网络提过程中完成分类和边界框的回归。
- 在RPN(区域提议网络)中,锚点代表潜在的候选区域的中心,也是锚框的中心。
- 每个锚点可以生成多个锚框,而锚框则是作为候选框,用于覆盖图像中可能出现物体的不同位置和形状
- 在Fast R-CNN的RPN中,锚框就被用来预测物体的位置,而RPN会对每个锚框输出两个结果,一个是物体的存在概率,一个是锚框的调整参数(用来接近真实框)
特征图、特征向量
- 特征图是CNN中的概念,它表示输入图像经一系列卷积层、池化层处理后的得到的中间输出结果,特征图通常是三维的数据结构,具体为(高度,宽度,通道数),所以特征图保留了输入图片的位置信息。特征图通常出现在网络的中间层,代表输入数据的中间级特征
- 特征向量是一个一维数组,它表示输入数据经过网络最后几层全连接层的输出,用于描述输入数据的高级抽象特征。特征向量通常出现在网络的最后几层,代表输入数据的高级特征。
原文地址:https://blog.csdn.net/u011453680/article/details/137692447
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。
本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:https://www.suanlizi.com/kf/1778800251658964992.html
如若内容造成侵权/违法违规/事实不符,请联系《酸梨子》网邮箱:1419361763@qq.com进行投诉反馈,一经查实,立即删除!