基于深度学习的物体检测算法对比探索.pptx

基于深度学习的物体检测算法对比探索;目录;目录;物体检测的定义;人脸解锁;视频监控;辅助驾驶;物体检测的应用;交通路口监控;自动驾驶;物体检测的流程;Faster R-CNN的第一阶段： 预设一系列不同大小和比例的anchors 整张图传入CNN提取特征 RPN对anchors进行分类和回归，得到候选区域（proposals）;Faster R-CNN的第一阶段： 预设一系列不同大小和比例的anchors 整张图传入CNN提取特征 RPN对anchors进行分类和回归，得到候选区域（proposals）;Faster R-CNN的第一阶段： 预设一系列不同大小和比例的anchors 整张图传入CNN提取特征 RPN对anchors进行分类和回归，得到候选区域（proposals）;物体检测的派系;YOLO SSD RetinaNet CornerNet;目录;高效率;高效率;二步法对于一步法的优势 二阶段的分类 二阶段的回归 二阶段的特征;ARM模块 过滤负样本 初步的边框校正 TCB连接 转换ARM特征 融合高层特征 ODM模块 更好的特征（感受野丰富，细节充足，内容抽象） 精细的分类和回归;RefineDet的特点;训练和测试的输入图像越大，精度会越高 GPU显存限制，输入变大，BatchSize变小，BatchNorm不准确，使用Sync-BN或GN等 多尺度测试能够涨点很多;二阶段分类 +0.5 二阶段回归 +2.2 二阶段特征 +1.1;RefineDet的开源;RefineDet的源码 (Caffe);RefineDet的源码 (Caffe);RefineDet的源码 (Caffe);RefineDet的源码 (Caffe);RefineDet的源码 (Caffe);RefineDet的源码 (Caffe);RefineDet的源码 (Caffe);RefineDet的源码 (Caffe);RefineDet的源码 (PyTorch);RefineDet的源码 (PyTorch);RefineDet的演变;只在特征金字塔较低的3层使用二阶段分类，滤掉大量简单负样本 只在特征金字塔较高的3层使用二阶段分类，边框回归的更准;从零训人脸检测器 修改网络结构更好地小物体检测;RefineDet的演变;RefineDet的演变;目录;;更高的精度 解决特定的错误，如小尺度、遮挡;多任务联合Multi-task 检测 + 属性、关键点、分割;视频物体检测 利用帧间信息加速 利用帧间信息提升精度;Learning Everything 预处理：anchor的设置 后处理: NMS;