04目标检测-Two-stage的目标检测算法

VIP04目标检测-Two-stage的目标检测算法
前面我们对进行了对比分析,同时上一篇我们介绍了传统算法在目标检测的原理和效果,此篇我们记录了我学习目标检测算法的深度,深入讲述一下深度学习算法在目标检测的原理和效果。原文链接:https://blog.csdn.net/qq_41946216/article/details/132800752。版权声明:本文为CSDN博主「爱吃面的猫」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。One-stage(YOLO和SSD系列):直接回归目标位置。
开通可读全文 ·3.6k 人阅读
最低0.47元/天 解锁文章

目录

一、 深度学习目标检测算法介绍

二、 基于Two-stage的目标检测算法

 三、Two-stage基本流程

四、Two-stage常见算法

五、Two-stage核心组件 

1、Two-stage的两个核心组件

2、主干CNN网络设计原则

3、RPN网络

3.1 Faster R-CNN 网络结构

3.2 RPN(Region Proposal Networks)网络结构

3.2.1 整体理解:

3.2.2 详细介绍 :

A、利用区域推荐生成anchor

B、分类和边框回归

C、生成Proposal

D、ROI Pooling(可以理解为抠图+resize的操作)


一、 深度学习目标检测算法介绍

       在目标检测-传统检测方法中,我们介绍了目标检测中传统的算法和目标检测的方式,在目标检测-传统方法与深度学习算法对比中,我们对传统的目标检测算法和深度学习目标检测算法简单做了比较,此篇记录了深度学习目标检测算法内容,深入讲述一下深度学习算法在目标检测的原理和效果。而目标检测深度学习算法分为类两个阶段: 

  • One-stage(YOLO和SSD系列):直接回归目标位置。
  • Two-stage(Faster RCNN系列):利用RPN网络对候选区域进行推荐,即通过一个完整的卷积神经网完成检测过程。

       我们首先对Two-stage进行介绍。

二、 基于Two-stage的目标检测算法

       Two-stage的目标检测算法主要是通过一个完整的卷积神经网络
来完成目标检测的过程,进行目标检测时用到的特征就是CNN的特征,也就是通过一个CNN卷积神经网来提取对候选区域目标的特征的描述。

        对于Two-stage的目标检测算法最典型的代表就是2014年提出的提出R-CNN到faster RCNN的一系列算法。

       在训练过程中需要两个步骤:训练RPN网络、目标区域的网络训练。相对于传统的目标检测算法,不需要再进行训练分类器,不需要再做特征表示这个过程。整个过程都是从A到B的一个完整的卷积神经网络完成,同时精度得到提升。不过相比于one-stage慢些。

        上述描述可以总结为以下几点:

  • CNN卷积特征
  • R. Girshick et al., 2014提出R-CNN到faster RCNN
  • 端到端的目标检测(RPN网络)
  • 准确度高、速度相对one-stage慢

 三、Two-stage基本流程

       输入图片------对图片进行深度特征的提取(主干神经网络)------RPN网络完成滑动窗口所完成的任务,也就是产生候选区域,完成候选区域分类(背景和目标)对目标的位置进行初步定位-------为了不重复的计算CNN特征,通过roi_pooling完成抠图操作-----fc全连接层对候选区域进行表示----分类和回归对候选目标的类别判定和位置精修(得到物体的真实类别)
 

详细流程:

       首先输入一张图片,然后图片进行深度特征提取,也就是一幅图作为输入经过一个卷积神经网络,通常将其称为主干网络,典型的主干网络包括VGG、ResNet等一些经典的卷积神经网络,再然后通过一个RPN网络来完成传统目标检测算法中滑动窗口所完成的任务,也就是产生候选区域。在进行候选框区域提取的同时对候选框区域分类(分类过程中将候选框区域分类为背景和目标两种不同类别)。在RPN网络产生候选区域的时候也会对目标的位置进行初步的预测,意味着RPN网络同时完成区域分类和位置精修两个环节。在得到候选区域之后,通过roi_pooling层对候选区域进一步精确进行位置回归和修正,可以将roi_pooling理解为抠图,接下来得到候选目标对应到feature map上的特征后,会通过一个fc层,来进一步对候选区域的特征进行表示,接下来通过分类和回归来分别完成对候选目标的类别的判定以及候选目标位置的精修,这里的类别不同于RPN网络的类别,这里通常会得到物体真实的类别,回归主要得到当前目标具体的坐标位置,通常表示为一个矩形框,即四个值(x,y,w,h)。

四、Two-stage常见算法

  • RCNN
  • Fast RCNN
VIP MonoDETR:深度引导的端到端单目3D目标检测新范式 单目3D目标检测是自动驾驶与机器人视觉中的基础性挑战,其核心在于从2D图像中恢复具有物理意义的三维空间结构。传统方法依赖中心点定位与后置深度估计,易受遮挡、尺度变化和几何失真影响;而基于Transformer的端到端模型(如DETR)虽摆脱了Anchor与NMS,却缺乏对成像深度的原生建模能力。MonoDETR通过深度引导的位置编码、深度调制的注意力机制与3D物理约束的查询初始化,将相机几何先验嵌入Transformer全流程,实现了从‘图像理解’到‘空间推理’的本质跃迁。该方法显著提升近距精度与远距鲁棒性 开通可读全文·342 阅读·9 点赞·5 收藏 阅读全文

相关推荐

YOLO11-C2TSSA算法在马术行为识别中的应用与优化

计算机视觉中的目标检测技术通过深度学习模型实现对图像中特定目标的定位与分类,其核心原理是利用卷积神经网络提取多层次特征。YOLO系列算法作为单阶段检测的代表,在实时性方面具有显著优势。本文提出的YOLO11-C2TSSA算法创新性地引入双流空间注意力机制(C2TSSA),有效提升了马术场景下的行为识别精度。该技术通过融合空间和通道注意力,解决了姿态多样性和小目标检测等难题,在体育科技领域展现出重要应用价值。实验表明,改进后的算法在HorseAction-10K数据集上达到89.3%的mAP,同时保持36FP

lvwenwen 383

【AI面试】目标检测中one-stage、two-stage算法的内容和优缺点对比汇总

目标检测算法one stage和two stage的对比

钱多多先森 1万+

one-stage/two-stage区别

需要注意的是,以上区别并非绝对,实际使用中需要根据具体需求和场景进行选择。在某些情况下,One-stage方法可能更适合于实时性要求较高的场景,而Two-stage方法则可能更适合于对准确性要求较高的场景。同时,随着深度学习技术的不断发展,One-stage和Two-stage方法也在不断改进和优化,未来的发展趋势可能会更加注重两者的融合和互补。One-stage和Two-stage是目标检测中的两种主要方法,它们在处理速度和准确性上存在显著差异。

m0_47313541的博客 1984

YOLOv8模型部署与测试:保姆级教程(含Ultralytics配置避坑指南)

本文提供了一份详尽的YOLOv8模型部署与测试指南,涵盖环境配置、模型加载、参数优化、批量处理及API服务封装等关键步骤。重点分享了Ultralytics框架在实际部署中的常见问题与解决方案,帮助开发者高效完成从训练到生产的过渡,确保模型在真实场景中稳定运行。

weixin_29038155的博客 297

Windows下Codex配置备份与恢复:手动脚本与CC Switch实战

在AI编程工具日益普及的今天,配置文件管理成为开发者高频需求。Codex作为OpenAI推出的命令行编程助手,其配置存储在用户目录下的.codex文件夹中,包含config.toml核心参数与auth.json身份凭证。理解配置目录结构是备份恢复的基础。手动方式通过xcopy或PowerShell命令实现完整迁移,但隐藏文件、进程占用等问题常导致备份失效。图形化工具CC Switch(俗称小怪工具)将配置打包为可切换快照,支持一键导出导入、多套配置管理,显著提升效率。本文从配置原理出发,结合Windows环

weixin_33859135的博客 129

Pulpino SoC中挂载AXI从机接口的自定义IP说明

AXI 从机接口挂载 Pulpino SoC 调试Pulpino SoC中挂载AXI从机接口的自定义IP说明PULPion SoC介绍自定义AXI IP挂载IP挂载框图代码修改脚本修改自定义AXI IP调试C语言编写软件调试硬件调试 Pulpino SoC中挂载AXI从机接口的自定义IP说明 本篇文章主要从工程的角度描述了如何将具有AXI从机接口的自定义IP挂载到Pulpino SoC上,其中不涉及到SoC中的任何原理知识。 PULPion SoC介绍 PULPion SoC整体架构如下图所示, PULPi

小陈的芯片学习之路 2214

Arduino DHT11 ESP8266 在OneNet云平台上读取 温湿度

#include "ESP8266.h" #include "dht11.h" #include "SoftwareSerial.h" #define SSID "540ND" #define PASSWORD "" #define HOST_NAME "api.heclouds.com" #define DEVICE_ID "" #define HOST_PORT (80) String APIKey = " "; #define INTER

weixin_45852947的博客 2431

45个经典Linux面试题(非常详细)零基础入门到精通,收藏这一篇就够了

(文件系统分配其中的一些磁盘块用来记录它自身的一些数据,如 i 节点,磁盘分布图,间接块,超级块等。$ chmod 751 file 给 file 的属主分配读、写、执行(7)的权限,给 file 的所在组分配读、执行(5)的权限,给其他用户分配执行(1)的权限。linux命令’hash’管理着一个内置的哈希表,记录了已执行过的命令的完整路径, 用该命令可以打印出你所使用过的命令以及执行的次数。创建文件:典型的如 touch,vi 也可以创建文件,其实只要向一个不存在的文件输出,都会创建文件。

小陈的博客 2077

YOLOv11改进策略【Neck】| SEAM:分离和增强注意模块,解决复杂场景下的小目标遮挡问题

本文记录的是利用 SEAM 模块优化 YOLOv11 的目标检测网络模型。的设计出发点在于解决复杂场景下的人脸遮挡问题,相当于是小目标被其他物体部分遮挡时,传统方法因特征缺失导致检测精度下降的问题。该模块通过增强未遮挡区域的特征响应并补偿被遮挡区域的信息损失,提升模型对遮挡小目标的检测能力。YOLO-FaceV2: A Scale and Occlusion Aware Face DetectorSEAM模块(Separated and Enhancement Attention Module)的设计出发点

Limiiiing的博客 2284

《网络安全自学教程》- Nmap使用及扫描原理分析

使用Nmap进行端口扫描、主机发现、服务识别、操作系统识别、指定脚本、结果导出文件,使用wireshark抓包分析扫描原理。

wangyuxiang946的博客 1万+

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

上一篇: 03目标检测-传统方法与深度学习算法对比
下一篇: 05目标检测-区域推荐(Anchor机制详解)
爱吃面的猫
博客等级 码龄9年 2643粉丝 190原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址