【计算机视觉实践11】基于YOLOV3模型的昆虫检测.pptxVIP

1;人;输入一幅图片（300x300）

将VGG16的FC6和FC7层转化为卷积层;抽取Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2层的featuremap，分别用于检测

将不同featuremap获得的检测结果，通过NMS（非极大值抑制）方法来抑制掉一部分重叠或者不正确的，生成最终的检测结果

;对于一张特征图，在每一个位置上提取预设数量的defaultbox。

对于每一个defaultbox，通过BN+卷积操作预测每个defaultbox的类别（目标类+背景类）和位置修正;SSD;对于每个尺寸为m*n，通道数为p的特征层:

SSD使用3*3*p的卷积核去产生对应于多个defaultboxes的物体概率分布（分类）和相对偏移（回归);YOLO网络借鉴了GoogLeNet分类网络结构。不同的是，YOLO未使用inceptionmodule，而是使用1x1卷积层+3x3卷积层简单替代。;YOLO的检测速度非常快。在TitanX上，不需要经过批处理，标准版本的YOLO系统可以每秒处理45张图像；YOLO的极速版本可以处理150帧图像。

YOLO在做预测的时候，使用的是全局图像。与slidingwindow和regionproposal这类方法不同，YOLO一次“看”一整张图像，所以它可以将物体的整体（contextua