基于神经卷积网络的目标检测算法总结课件

1、基于深度卷积神经网络的监控视频目标检测算法研究2018.4.171编辑版pppt基于深度卷积神经网络的1编辑版ppptCONTENTS01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2编辑版ppptCONTENTS01目标检测02深度学习发展史03基于深度卷1目标检测3编辑版pppt1目标检测3编辑版pppt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4编辑版pppt目标检测

2、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2深度学习发展史5编辑版pppt2深度学习发展史5编辑版pppt人工智能 vs 机器学习 vs 深度学习6编辑版pppt人工智能 vs 机器学习 vs 深度学习6编辑版pppt7编辑版pppt7编辑版pppt3基于深度卷积神经网络的监控视频目标检测算法8编辑版pppt3基于深度卷积神经网络的8编辑版pppt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9编辑版pppt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_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R-CNNSPP-NETFaster-R

3、-CNNFast-R-CNNR-FCNRegion Proposal10编辑版pppt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R-4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-CNN11编辑版pppt4个步骤1.候选区域生成： 一张图像生成1K2K个候选区域改进点在最后一个卷积层后，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。

4、SPP-NET12编辑版pppt改进点在最后一个卷积层后，设计一个金字塔池化层，SPP-N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-CNN13编辑版pppt改进点1.很大程度上实现了end to end（除了regi改进点1.卷积生成候选区域“RPN（Region Proposal

5、Network）网络”代替了Selective Search算法2.完全实现了端到端的训练，实时检测 Faster-R-CNN14编辑版pppt改进点1.卷积生成候选区域“RPN（Region Propo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-FCN15编辑版pppt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YOLOFast-YOLOSSDEnd to End16编辑版pppt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YOLO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

6、大提高YOLO17编辑版pppt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SSD18编辑版pppt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个卷积网络，仍存在训练参数多，训练时间长，网络结构复杂等问题（本质上仍用传统“三步走”思路）2.小目标识别效果不好19编辑版pppt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THANKYOU!20