基于神经卷积网络的目标检测算法总结_第1页
基于神经卷积网络的目标检测算法总结_第2页
基于神经卷积网络的目标检测算法总结_第3页
基于神经卷积网络的目标检测算法总结_第4页
基于神经卷积网络的目标检测算法总结_第5页
已阅读5页，还剩15页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、基于深度卷积神经网络的基于深度卷积神经网络的监控视频目标检测算法研究监控视频目标检测算法研究2018.4.17CONTENTS01目标检测02深度学习发展史03基于深度卷积神经网络的监控视频目标检测算法1目标检测目标检测目标检测目标检测基本概念基于计算机视觉技术的目标检测就是“给定一张图像或者视频帧，找出其中所有目标的位置，并给出每个目标的具体类别”。应用领域智能视频监控；基于内容的图像、视频检索；基于计算机视觉的人机交互；自动驾驶等重点1.识别目标2.确定位置2深度学习发展史人工智能 vs 机器学习 vs 深度学习3基于深度卷积神经网络的基于深度卷积神经网络的监控视频目标检测算法监控视频目标

2、检测算法目标检测参考论文：卷积神经网络在图像分类和目标检测应用综述_周俊宇等基于区域推荐的深度卷积神经网络的物体检测算法基于区域推荐的深度卷积神经网络的物体检测算法区域推荐算法区域推荐算法R-CNNSPP-NETFaster-R-CNNFast-R-CNNR-FCNRegion Proposal4个步骤1.候选区域生成： 一张图像生成1K2K个候选区域 （采用Selective Search 方法）2.特征提取： 对每个候选区域，使用深度卷积网络提取特征 （CNN） 3.类别判断： 特征送入每一类的SVM 分类器，判别是否属于该类 4.位置精修： 使用回归器精细修正候选框位置R-CNN改进点在

3、最后一个卷积层后，设计一个金字塔池化层，然后，将特征图像固定到要求的尺寸。SPP-NET改进点1.很大程度上实现了end to end（除了region proposals的产生还是用的selective search）。2.不再是将region proposals依次通过CNN，而是直接输入原图，来提取特征（这样一张图只会CNN一次）。3.网络同时输出类别判断以及bbox回归建议（即两个同级输出），不再分开训练SVM和回归器。Fast-R-CNN改进点1.卷积生成候选区域“RPN（Region Proposal Network）网络”代替了Selective Search算法2.完全实现了端

4、到端的训练，实时检测 Faster-R-CNN改进点将全连接层看作是整个特征图的卷积，卷积层替代了全连接层R-FCN基于回归算法的深度卷积神经网络的物体检测算法基于回归算法的深度卷积神经网络的物体检测算法回归算法回归算法YOLOFast-YOLOSSDEnd to End改进点仅用一个神经网络，相对于基于候选区域的2个卷积网络检测速度大大提高YOLO改进点以VGG-16为基础，在最后一个卷积层后额外加入卷积层，大小逐层递减，在每个卷积层上做滑动窗口，在不同尺度的特征图下找锚定框SSD小结小结1.基本实现实时检测1.只用一个神经网络，检测速度大大提高基于候选区域方法基于回归方法2.同时训练2个卷积

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论