深度学习500问——Chapter08：目标检测（8）
8.4 人脸检测 在目标检测领域可以划分为了人脸检测与通用目标检测，往往人脸这方面会有专门的算法（包括人脸检测、人脸识别、人脸和其他属性的识别等等），并且可以和通用目标检测（识别）有一定的差别，这主要来源于人脸的特性（有时候目标比较小、人脸之间特征不明显、遮挡问题等），下面将从人脸检测和通用目标检测两个方面来讲解目标检测。 8.4.1 目前主要的人脸检测方法分类 目前人脸...
深度学习500问——Chapter08：目标检测（7）
8.3.8 RFBNet RFBNet有哪些创新点 1. 提出RF block（RFB）模块 RFBNet主要想利用一些技巧使得轻量级模型在速度和精度上达到很好的trade-off的检测器。灵感来自人类视觉的感受野结构Receptive Fields（RFs），提出了新奇的RF block（RFB）模块，来验证感受野尺寸和方向性的对提高有鉴别器鲁棒特征的关系。RFBNet...
深度学习500问——Chapter08：目标检测（6）
8.3.7 RetinaNet 研究背景 Two-Stage 检测器（如Faster R-CNN、FPN）效果好，但速度相对慢。 One-Stage 检测器（如YOLO、SSD）速度快，但效果一般。 ...
深度学习500问——Chapter08：目标检测（5）
8.3.4 YOLOv2 YOLOv2有哪些创新点 YOLOv1虽然检测速度快，但在定位方面不够准确，并且召回率较低。为了提升定位准确度。改善召回率，YOLOv2在YOLOv1的基础上提出了几种改进策略，如下图所示。可以看到，一些改进方法能有效提高模型的mAP。 大尺度预训练分类。 New Network：Darknet-19。 加入anc...
深度学习500问——Chapter08：目标检测（4）
8.3 One Stage 目标检测算法 我们将对单次目标检测器（包括SSD系列和YOLO系列等算法）进行综述。我们将分析FPN以理解多尺度特征图如何提高准确率，特别是小目标的检测，其在单次检测器中的检测效果通常很差。然后我们将分析Focal loss和RetinaNet，看看它们是如何解决训练过程中的类别不平衡问题的。 8.3.1 SSD SSD有哪些创新点 ...
深度学习500问——Chapter08：目标检测（3）
8.2.7 DetNet DetNet是发表在ECCV2018的论文，出发点是现有的检测任务backbone都是从分类任务衍生而来的，因此作者想针对检测专用的backbone做一些讨论和研究而设计了DetNet，思路比较新奇。 1. Introduction 很多backbone的提出都是用于挑战ImageNet分类任务后被应用到检测上来，而鲜有单独针对检测任务设计的ba...
深度学习500问——Chapter08：目标检测（2）
8.2.4 R-FCN R-FCN 有哪些创新点 R-FCN仍然属于two-stage目标检测算法：RPN + R-FCN Fully convolutional 位置敏感得分图（position-sentive score maps） our region-based detector is fully convolutional...
深度学习500问——Chapter08：目标检测（1）
8.1 基本概念 8.1.1 什么是目标检测 目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。 计算机视觉中关于图像识别有四大类任务： 分类...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
智能引擎技术
AI Online Serving，阿里巴巴集团搜推广算法与工程技术的大本营，大数据深度学习时代的创新主场。
+关注