目标检测20年演进:从HOG到YOLO,深度学习的革新之路
需积分: 17 167 浏览量
更新于2024-08-05
收藏 1.26MB DOCX 举报
"Object Detection in 20 Years:A Survey(笔记).docx - 对过去20年目标检测算法的全面回顾与总结"
在过去的20年里,目标检测技术经历了显著的发展,从传统方法到深度学习的革新,极大地推动了计算机视觉领域的进步。这篇笔记概述了关键的技术演变和主要的数据集,以及评估指标。
一、目标检测算法
1. 传统方法:
- HOG Detector(方向梯度直方图):利用图像局部区域的梯度信息来描述对象的形状特征。
- DPM(Deformable Part Models):基于部件的模型,可以处理目标的形变和姿态变化。
2. CNN基的两阶段检测器:
- RCNN(2014):首次将卷积神经网络引入目标检测,通过提取区域建议然后进行分类和边界框调整。
- SPP-Net(空间金字塔池化层):解决了不同大小区域的固定尺寸输出问题。
- Fast R-CNN:改进了RCNN的速度,通过共享卷积层的计算。
- Faster R-CNN:引入了区域提议网络(RPN),实现端到端训练。
- FPN(特征金字塔网络):构建多尺度特征图,增强了小目标检测能力。
3. CNN基的一阶段检测器:
- YOLO(You Only Look Once):单次预测,速度快但精度稍低。
- SSD(Single Shot MultiBox Detector):结合了多尺度特征,同时预测边界框和类别。
- RetinaNet:通过Focal Loss解决了类别不平衡问题,提高了小目标检测性能。
二、数据集:
- PASCAL VOC:一个标准的目标检测和分割数据集,包含20个类别。
- ILSVRC(ImageNet Large Scale Visual Recognition Challenge):大型图像识别挑战,用于评估深度学习模型的泛化能力。
- MS COCO:更复杂、更丰富的数据集,包含80个类别和丰富的实例分割信息。
- OpenImages:谷歌的开放图像数据集,提供大规模的多类别标注。
三、评估指标:
- FPPW(False Positive Per Window)、FPPI(False Positive Per Image):早期评估窗口级别的错误率。
- AP(平均精度)、mAP(mean Average Precision):目前常用的评价指标,衡量检测器在不同IoU阈值下的精度。
- IoU(Intersection over Union):计算两个边界框重合部分占总面积的比例,用于评估检测框的质量。
四、技术进化:
- 多尺度检测:如SPP-Net和FPN,解决不同尺度目标的检测问题。
- 锚点机制:如YOLO和SSD,预先定义多个比例和纵横比的参考框,以覆盖多种目标大小。
- 端到端训练:Faster R-CNN和后续方法实现了整个目标检测过程的端到端学习。
这篇笔记提供了一个简明的历史概览,展示了目标检测领域从传统方法到深度学习的转变,以及随之而来的算法优化和数据集的发展,对于理解这一领域的重要进展非常有帮助。
2020-04-15 上传
2020-10-07 上传
2019-10-27 上传
2023-07-22 上传
2023-06-10 上传
2023-05-30 上传
2023-05-26 上传
2023-05-30 上传
2023-06-13 上传
2023-06-11 上传
![](https://profile-avatar.csdnimg.cn/55fa76193873475ebd066baa29e81ad6_qq_45887419.jpg!1)
plastictime
- 粉丝: 1
- 资源: 1
最新资源
- 解决本地连接丢失无法上网的问题
- BIOS报警声音解析:故障原因与解决方法
- 广义均值移动跟踪算法在视频目标跟踪中的应用研究
- C++Builder快捷键大全:高效编程的秘密武器
- 网页制作入门:常用代码详解
- TX2440A开发板网络远程监控系统移植教程:易搭建与通用解决方案
- WebLogic10虚拟内存配置详解与优化技巧
- C#网络编程深度解析:Socket基础与应用
- 掌握Struts1:Java MVC轻量级框架详解
- 20个必备CSS代码段提升Web开发效率
- CSS样式大全:字体、文本、列表样式详解
- Proteus元件库大全:从基础到高级组件
- 74HC08芯片:高速CMOS四输入与门详细资料
- C#获取当前路径的多种方法详解
- 修复MySQL乱码问题:设置字符集为GB2312
- C语言的诞生与演进:从汇编到系统编程的革命