两阶段目标检测算法发展史
时间: 2024-07-02 17:00:26 浏览: 198
两阶段目标检测算法的发展历程可以追溯到计算机视觉领域对物体检测问题的研究。这种算法主要分为两个步骤:候选区域生成和目标分类与定位。
1. **早期的级联分类器(Haar特征)**:2006年左右,Viola-Jones算法提出了一种基于AdaBoost的级联分类器,使用Haar特征检测人脸,这是两阶段方法的雏形,虽然不是严格意义上的目标检测,但为后续工作奠定了基础。
2. **R-CNN (Region-based Convolutional Neural Networks)**:2013年,Girshick等人提出了R-CNN,这是第一个成功的深度学习方法应用于目标检测。它首先用选择性搜索生成候选区域,然后对每个区域进行卷积神经网络(CNN)特征提取和分类,这种方法大大提升了检测精度,但速度较慢。
3. **Fast R-CNN**: 同年,Girshick等人发布了Fast R-CNN,通过共享特征图来提高计算效率,同时引入了RoI Pooling层,使得特征提取更为高效。
4. **Faster R-CNN**: 2015年,Ren等人推出了Faster R-CNN,引入了Region Proposal Network (RPN),可以在同一网络内同时生成候选区域和进行初步分类,显著加快了检测速度。
5. **SSD (Single Shot MultiBox Detector)**: 2016年,Liu等人提出了SSD,它是一次性预测多个不同大小的边界框,不需要像R-CNN系列那样进行两次前向传播,进一步提高了速度,同时保持了较高的精度。
6. **YOLO (You Only Look Once)**: 2016年,Redmon等人开发了YOLO,这是一种实时性极高的单阶段检测器,将目标检测任务融合成一个回归问题,极大地减少了计算开销。
7. **Mask R-CNN**: 在目标检测的基础上,He等人于2017年加入了实例分割功能,Mask R-CNN成为首个同时进行目标检测和像素级分割的模型。