yolo组会汇报完整版.pptxVIP

You Only Look OnceUnified, Real-Time Object Detection2016论文题目：YOLO V1 目 录1234研究背景核心方法性能比较总结分析 研究背景普遍使用分类器classifier执行检测过程复杂，速度较慢，训练耗时DPMDeformable Parts Models（DPM），采用sliding window 检测R-CNN、Fast R-CNN 实现方法核心思想 核心思想 核心思想(x,y,w,h,confidence) 核心思想 IOU定义 实现方法 核心思想等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即表示了预测的b-box属于某一类的概率，也有该box准确度的信息。? 实现方法核心思想32层卷积+2层全连接 实现方法Loss函数误差 = 定位误差 + 分类误差误差 = 定位误差 + 置信度误差 + 分类误差误差 = 定位误差 + 包含目标的框置信度误差 + 不包含目标的框置信度误差 + 分类误差Output：S x S x (5*B+C) 的一个tensorB：(x, y, w, h, confidence)C：bbox的置信度不能等值加权置信度有两类 实现方法损失函数 实现方法损失函数采用平方根之差兼顾大框和小框的误差 性能比较1. 与其它一些实时检测系统性能比较 性能比较2. 误差来源分析 性能比较3. 结合fast RCNN的YOLO思想：通过YOLO来消除fast RCNN中较大的背景误差方法：对RCNN预测的每个边界框，检查YOLO是否预测类似的框。如果是，我们基于由YOLO预测的概率和两个框之间的重叠，使得该预测增强 性能比较4. 艺术品中的人检测在Picasso和People-Art数据集上的综合结果 性能比较4. 艺术品中的人检测 总结分析YOLO优点网络简单，容易构建速度快，实时性最好检测性能好，背景误差小YOLO缺点对图像上的小目标检测性能不佳对临近物体及很小的群体，检测效果不好定位误差较大。尤其是对小物体的处理上，还有待加强