Faster R-CNN 的精度和 Fast R-CNN 差不多，然则练习时光和测试时光都缩短了 10 倍。
1.4 ION: Inside-Outside Net[4]
ION 在上、下、左、右四个偏向自力地应用 RNN，并把它们的输出连接起来组合成一个特点输出，经由两次如许的过程获得的特点作为高低文特点，再与之前的几个卷积层的输出特点连接起来，获得既包含高低文信息，又包含多标准信息的特点。
1.5 HyperNet[5]
HyperNet 在 Faster R-CNN 的基本上，在获得更好的候选区域方面比 Faster R-CNN 中应用的 RPN 有了进一步的进步。其设法主意也是把不合卷积层获得的特点图像结合起来，产生更好的 region proposal 和检测精确率。
该文┞仿把不合卷积层的输出结合起来获得的特点成为 Hyper Feature。因为不合卷积层的输出大年夜小不一样，较浅层的特点图像分辨率较高，对进步界线框的精确性有益，然则轻易对界线框内的物体缺点分类;较深层获得的特点图像分辨率很低，对小一些的物体的界线框定位轻易不精确，但这些特点加倍抽象，可以让对物体的分类的精确性更高。是以二者的结合，对目标检测的┞俘确率和定位精度都有赞助。
1.6 SDP-CRC[6]
SDP-CRC 在处理不合标准的目标和进步对候选区域的枷⒚效力上提出了两个策略。第一个策略是基于候选区域标准的池化，即 Scale Department Pooling (SDP)。在 CNN 的框架中，因为输入图像要经由多次卷积，那些尺寸小的物体在最后一层的卷积输出上的特点不克不及很好的描述该物体。如不雅用前面某一层的特点，则可以或许更好的描述小物体，用靠后的层的特点，则能更好地描述较大年夜的物体。
是以 SDP 的设法主意是根据物体大年夜小选择合适的卷积层上的特点来描述该物体。例如一个候选区域的高度在 0-64 个像素之间，则应用第三个卷积层上 (例如 VGG 中的 Conv3) 的特点进行 pooling 作为分类器和边框回归器的输入特点，如不雅候选区域高度在 128 个像素以上，则应用最后一个卷积层 (例如 VGG 中的 Conv5) 的特点进行分类和回归。
第二个策略是应用舍弃负样本的级联分类器，即 Cascaded Rejection Classifer， CRC。Fast RCNN 的一个瓶颈是有很多的候选区域，对成千上万个候选区域都进行完全的分类和回归计算十分耗时。CRC 可以用来快速地清除一些明显不包含某个物体的候选区域，只将完全的计算集中在那些极有可能包含某个物体的候选区域。该文┞仿中应用了 AdaBoost 的办法，按次序应用每一个卷积层的特点，由一些级联的弱分类器来清除负样本。在最后一层卷积的特点图像上，留下来的那些候选区域再进行分类和回归。
SDP-CRC 的精确率比 Fast RNN 进步了不少，检测时光缩短到了 471ms 每帧。
2. 不采取 Region Propsal, 直接猜测界线框的办法
2.1 YOLO[7]
2.3 SSD[9]
YOLO 的思惟是摒弃生成候选区域的中心步调，经由过程单个卷积神经收集直接对各个界线框进行回归并且猜测响应的类其余概率。
该办法将输入图像分成大年夜小的网格。每一个网格单位猜测 B 个界线框和这些界线框的可托度，有五个猜测值：界线框的中间相对于网格单位中间的坐标，界线框相对于全部图像的宽和高，还有该界线框的可托度(基于和 ground truth 之间的 IoU)。每一个单位格还猜测该单位格属于个类其余概率，是以全部收集的输出是一个大年夜小为的┞放量。在实验中，，是以输出的大年夜小是。
在测试阶段，单位格的类别概率与该单位格的 B 个界线框的可托度相乘，获得各个界线框分别包含各个类其余物体的可托度。
YOLO 的长处是速度快，该文┞仿中应用的 24 层卷积统??测试图像上可达到 45 帧每秒，而应用另一个简化的收集构造，可达到 155 帧每秒。该办法的缺点有：1， 界线框的猜测有很大年夜的空间限制，例如每一个单位格只猜测两个界线框，并且只有一个类别。2，该办法不克不及很好地检测到成群出现的一些小的目标，比如一群鸟。3，如不雅检测目标的长宽比在练习数据中没有出现过或者不常见，该模型的泛化才能较弱。
推荐阅读
大年夜数据技巧用了多年时光进行演变，才大年夜一种看起来很炫酷的新技巧变成了企业袈溱临盆经营中实际安排的办事。个中，数据采集产品迎来了广阔的市场前景，无论国表里，市情上都出现了>>>详细阅读
本文标题：深度卷积神经网络在目标检测中的进展
地址：http://www.17bianji.com/lsqh/34952.html
1/2 1
网友点评
精彩导读
科技快报
品牌展示