目标检测算法参考文献
时间: 2024-07-12 21:00:38 浏览: 80
目标检测是计算机视觉中的一个重要任务,它旨在从图像中识别出并定位出预定义的对象。近年来,深度学习方法显著推动了目标检测领域的进展。以下是一些经典的参考文献,它们对目标检测算法的发展有着重要影响:
1. "You Only Look Once: Unified, Real-Time Object Detection" (2015) - R-CNN (Region-based Convolutional Neural Networks) by Girshick et al., 提出了区域提议网络(RPN)和Fast R-CNN,开启了基于深度学习的目标检测新时代。
2. "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks" (2015) - Ren et al., 提出了Faster R-CNN,改进了R-CNN的区域提议生成过程,使得速度显著提升。
3. "YOLO9000: Better, Faster, Stronger" (2016) - Redmon et al., 通过YOLO(You Only Look Once)系列,实现了实时的目标检测性能,YOLOv3更是显著提高了检测速度。
4. "Mask R-CNN" (2017) - He et al., 提出了同时进行物体检测和分割的方法,Mask R-CNN,引入了掩码分支到 Faster R-CNN 中。
5. "DETR: End-to-End Object Detection with Transformers" (2020) - Carion et al., 引入Transformer架构到目标检测领域,提出了一种端到端的检测方法,无需复杂的区域提议阶段。
6. "CornerNet: Detecting Objects as Pairs of Corners" (2018) - Law et al., 提出了角点检测法,从角点而非边界框的角度进行目标检测,简化了模型结构。
相关问题:
1. 近年来目标检测领域的哪些关键突破是由这些论文引领的?
2. 除了深度学习方法,还有哪些传统的目标检测算法值得了解?
3. 当前最先进的目标检测模型是如何处理小目标或遮挡问题的?
相关推荐
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)