深度学习目标检测算法性能分析
2017-05-04 09:28
302 查看
参考如下论文2017年最新版:
Speed/accuracy trade-offs for modern convolutional object detectors
Google Research搭建了三种通用检测框架:Faster R-CNN, R-FCN and SSD,
近几年目标检测领域突飞猛进,Faster R-CNN, R-FCN, Multibox, SSD and YOLO等检测算法都足够好,可以放在实际应用中。
可是实践者还是很难决定到底在什么时候取用哪种框架比较合适。
mAP不能告诉你所有的事情。
这些工作中比较典型的,就是图像上的一系列不同的空间位置、不同尺度、不同的长宽比例的盒子,来充当“anchor”、“default boxes”“priors”。
于是一个训练模型在一个锚点需要预测两种信息:
(1)为每一个锚点预测一个类别;
(2)为每一个锚点预测x与y方向的偏移量,来确定bounding box;
这个anchor策略使得目标检测的精度与计算量都得到了很大程度的优化。
例如在multibox中,这些anchors是通过对groundtruth中的bounding box聚类得到;
在这篇文章中,主要研究三种基础架构:Faster R-CNN, R-FCN and SSD
为了更科学地对比,将meta-architecture 从 feature extractor中剥离出来。
Speed/accuracy trade-offs for modern convolutional object detectors
Background
本文的目的就是在给定设备与平台的前提下,帮助选择一个合适的检测框架,能够实现速度、准确度、内存的多方面平衡。Google Research搭建了三种通用检测框架:Faster R-CNN, R-FCN and SSD,
近几年目标检测领域突飞猛进,Faster R-CNN, R-FCN, Multibox, SSD and YOLO等检测算法都足够好,可以放在实际应用中。
可是实践者还是很难决定到底在什么时候取用哪种框架比较合适。
mAP不能告诉你所有的事情。
Meta-architectures基础架构
受分类网络启发,从RCNN到Fast-RCNN,再到后来的Faster-RCNN。这里RCNN到Fast-RCNN都是在神经网络之外提取的候选区域,Faster-RCNN则是在神经网络内部提取的候选区域。这些工作中比较典型的,就是图像上的一系列不同的空间位置、不同尺度、不同的长宽比例的盒子,来充当“anchor”、“default boxes”“priors”。
于是一个训练模型在一个锚点需要预测两种信息:
(1)为每一个锚点预测一个类别;
(2)为每一个锚点预测x与y方向的偏移量,来确定bounding box;
这个anchor策略使得目标检测的精度与计算量都得到了很大程度的优化。
例如在multibox中,这些anchors是通过对groundtruth中的bounding box聚类得到;
在这篇文章中,主要研究三种基础架构:Faster R-CNN, R-FCN and SSD
为了更科学地对比,将meta-architecture 从 feature extractor中剥离出来。
相关文章推荐
- 2_基于深度学习的目标检测识别算法
- 基于深度学习的目标检测算法:Faster R-CNN
- 基于深度学习的目标检测算法综述
- 目标检测之二(传统算法和深度学习的源码学习)
- 基于深度学习的目标检测算法综述
- 目标检测之一(传统算法和深度学习的源码学习)
- 基于深度学习的目标检测算法:YOLO
- 基于深度学习的目标检测算法:SSD
- 基于深度学习的目标检测算法综述
- SQL SERVER性能分析--死锁检测数据库阻塞语句
- 矩形和圆的相交检测 算法分析与实现
- 运动目标检测跟踪各过程算法综述
- AdaBoost中利用Haar特征进行人脸识别算法分析与总结2——级联分类器与检测过程
- TCP拥塞控制算法 优缺点 适用环境 性能分析
- SQL SERVER性能分析--死锁检测数据库阻塞语句 .
- 追赶法检测链表环点的算法正确性分析
- 几个ajax js性能优化和内存泄露问题及检测分析工具
- TCP拥塞控制算法 优缺点 适用环境 性能分析
- sql server性能分析--检测数据库阻塞语句
- [转]sql server性能分析--检测数据库阻塞语句