目标检测与分类的区别（图片向） |
您所在的位置：网站首页 › 算法和编程有什么区别和联系图片 › 目标检测与分类的区别（图片向） |
目标检测与分类的区别（图片向）
|
问题： 图像分类网络是否可以用于目标检测在什么情况下可以使用 图像分类与目标检测的区别
将一个预训练的分类网络作为深度学习目标检测架构（例如 Faster R-CNN、SSD 或者 YOLO）的基本网络。 这个方法的好处是：你可以创建一个基于深度学习的复杂端到端目标检测器。 而其不足之处是：它需要一些关于深度学习目标检测器如何工作的知识，我们将在后面的部分中讨论这个问题。 深度学习目标检测器的模块
首先我们要知道，深度学习目标检测器有很多模块，子模块以及更小的子模块，但是我们今天要重点关注的是深度学习入门读者所困惑的两个： 目标检测框架（不包括 Faster R-CNN, SSD, YOLO） 适合目标检测框架的基本网络 基本网络就是你常用的分类 CNN 架构，包括： VGGNet ResNet MobileNet DenseNet 通常这些网络在大数据集上进行预训练来进行分类，例如 ImageNet，它们可以学习到很多具有鉴别能力的滤波器。 目标检测框架由很多组成部分和子模块构成： Faster R-CNN 框架包括：候选区域网络（RPN） 一组锚点 ROI 池化模块 最终基于区域的卷积神经网络 SSD（单步检测器，single shot detectors）包括：多框（MultiBox） 先验（Priors） 固定先验（Fixed priors） 图 4 描述了 SSD 框架内部的 VGG-16 网络。通常，我们需要在基本网络上进行网络手术。这种修改包括： 变成全卷积的形式，并接受任意输入维度。剪除了基本网络中更深层的卷积和池化层，将它们以一系列新层 （SSD）、新模块（Faster R-CNN），或者这两者的一些组合代替。 这里的「网络手术」是一种口语化的说法，它的意思是移除基本网络中的一些原始卷积层，将它们用新层替代。网络手术也是讲究策略的，我们移除一些不需要的部分，然后用一组新的部分来替代它们。然后，当我们开始训练我们的框架进行目标检测时，（1）新层、模块和（2）基本网络的权重都被修改了。
|
图 4： VGG16 基本网络是 SSD 深度学习目标检测框架的一个特征抽取模块。
图片来自 知乎-田昊【本文地址】
公司简介
联系我们
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |