人工智能-第八章課件

RCNN系列算法SSD算法YOLO系列算法8.38.18.2第八章目標(biāo)檢測RCNN系列算法SSD算法YOLO系列算法8.38.18.21區(qū)域選擇分類器目標(biāo)檢測三個(gè)階段遍歷圖像確定可能存在目標(biāo)的候選區(qū)域提取候選區(qū)域相關(guān)的視覺特征對選取的目標(biāo)進(jìn)行識別rcnn系列算法特征提取區(qū)域選擇分類器目標(biāo)檢測遍歷圖像確定可能存在目標(biāo)的候選區(qū)域提取R-CNN是一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法，它在卷積神經(jīng)網(wǎng)絡(luò)上應(yīng)用區(qū)域推薦的策略，形成自底向上的目標(biāo)定位模型，摒棄了傳統(tǒng)的滑動(dòng)窗口(通過多尺度滑動(dòng)窗口確定所有可能的目標(biāo)區(qū)域)和人工選取特征的方法，將候選區(qū)域算法和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，使得檢測速度和精度明顯提升。RCNNfast-RCNNfaster-RCNNrcnn系列算法R-CNN是一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算R-CNN利用選擇性搜索算法在圖像中提取2000個(gè)左右的候選框；把所有候選框縮放成固定大?。?27*227），并進(jìn)行歸一化后輸入CNN（AlexNet）網(wǎng)絡(luò)，提取特征；提取到的CNN特征使用SVM來分類，用線性回歸來微調(diào)邊框位置與大小，其中每個(gè)類別單獨(dú)訓(xùn)練一個(gè)邊框回歸器；非極大值值抑制(NMS)來濾除重疊的候選框存在問題訓(xùn)練時(shí)間長測試時(shí)間長占用磁盤空間大卷積出來的特征數(shù)據(jù)還需要單獨(dú)保存rcnn算法R-CNN利用選擇性搜索算法在圖像中提取2000個(gè)左右的候選R-CNNFastR-CNN1.輸入為整張圖像并提取特征圖。2.

RoI池化層從特征圖中提取固定長度的特征向量。3.使用多任務(wù)損失函數(shù)，分別進(jìn)行softmax分類和邊框回歸。fast-rcnn算法R-CNNFast1.輸入為整張圖像并提取特征圖。fast-faster-rcnn模型結(jié)構(gòu)123特征提取粗分類+定位NMS去重精分類+定位NMS去重faster-rcnn算法faster-rcnn模型結(jié)構(gòu)123特征提取粗分類+定位NManchor框特征圖的每個(gè)像素點(diǎn)生成三種不同尺度大小的anchor框，每種框的寬高比分別為：1:1，2:1，1:2，即特征圖上的每個(gè)像素點(diǎn)共生成9個(gè)不同大小的anchor框。特征圖

faster-rcnn算法anchor框特征圖的每個(gè)像素點(diǎn)生成三種不同尺度大小的ancRPN網(wǎng)絡(luò)

遍歷特征圖上的每個(gè)像素點(diǎn)，然后根據(jù)不同位置和寬高的anchor框從原圖上生成候選框。faster-rcnn算法特征圖RPN網(wǎng)絡(luò)faster-rcnn算法特征圖1.第一階段CNN網(wǎng)絡(luò)提取特征2.第二階段（RPN網(wǎng)絡(luò)）

使用錨框生成候選框，初步實(shí)現(xiàn)目標(biāo)的粗分類和邊框回歸3.第三階段實(shí)現(xiàn)目標(biāo)的精分類和邊框回歸faster-rcnn算法faster-rcnn1.第一階段faster-rcnn算法faster-rcnnYOLO結(jié)構(gòu)簡單，屬于單階段的檢測方法速度快、資源消耗少精度較高YOLO(YouOnlyLookOnce)：創(chuàng)造性地將目標(biāo)區(qū)域推薦和識別這兩個(gè)階段合二為一，同時(shí)完成目標(biāo)定位和分類。YOLO系列算法YOLOYOLO(YouOnlyLookOnce)：創(chuàng)YOLOv1算法

YOLOv1的模型結(jié)構(gòu)比較簡單，與常規(guī)的CNN分類模型最大的差異是最后輸出層用線性函數(shù)做激活函數(shù)，從而實(shí)現(xiàn)預(yù)測boundingbox的位置。YOLOv1算法YOLOv1的模型結(jié)構(gòu)比較簡每個(gè)點(diǎn)的維度：類別概率：置信度：邊框信息：YOLOv1算法每個(gè)點(diǎn)的維度：類別概率：置信度：邊框信息：YOLOv1算法損失函數(shù)YOLOv1算法損失函數(shù)YOLOv1算法使用聚類生成的錨點(diǎn)代替手工設(shè)計(jì)的錨點(diǎn)；在高分辨率圖像上進(jìn)行遷移學(xué)習(xí)，提升網(wǎng)絡(luò)對高分辨圖像的響應(yīng)能力訓(xùn)練過程圖像尺寸不再固定，提升網(wǎng)絡(luò)對不同訓(xùn)練數(shù)據(jù)的泛化能力YOLOv2YOLOv2算法使用聚類生成的錨點(diǎn)代替手工設(shè)計(jì)的錨點(diǎn)；YOLOv2YOLOvyolov3改進(jìn)策略1.使用Darknet-53主干網(wǎng)絡(luò)2.使用k-means聚類9種尺度的先驗(yàn)框3.多尺度特征進(jìn)行目標(biāo)檢測YOLOv3算法yolov3改進(jìn)策略1.使用Darknet-53主干網(wǎng)絡(luò)YO

SSD采用VGG作為主干網(wǎng)絡(luò)，輸入圖像大小為300*300，采用了特征金字塔結(jié)構(gòu)進(jìn)行檢測，即分別在6個(gè)不同大小的特征圖上生成目標(biāo)候選框。SSD算法SSD采用VGG作為主干網(wǎng)絡(luò)，輸入圖像大小

SSD算法

SSD算法THANKYOUTHANKYOU18RCNN系列算法SSD算法YOLO系列算法8.38.18.2第八章目標(biāo)檢測RCNN系列算法SSD算法YOLO系列算法8.38.18.219區(qū)域選擇分類器目標(biāo)檢測三個(gè)階段遍歷圖像確定可能存在目標(biāo)的候選區(qū)域提取候選區(qū)域相關(guān)的視覺特征對選取的目標(biāo)進(jìn)行識別rcnn系列算法特征提取區(qū)域選擇分類器目標(biāo)檢測遍歷圖像確定可能存在目標(biāo)的候選區(qū)域提取R-CNN是一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法，它在卷積神經(jīng)網(wǎng)絡(luò)上應(yīng)用區(qū)域推薦的策略，形成自底向上的目標(biāo)定位模型，摒棄了傳統(tǒng)的滑動(dòng)窗口(通過多尺度滑動(dòng)窗口確定所有可能的目標(biāo)區(qū)域)和人工選取特征的方法，將候選區(qū)域算法和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，使得檢測速度和精度明顯提升。RCNNfast-RCNNfaster-RCNNrcnn系列算法R-CNN是一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算R-CNN利用選擇性搜索算法在圖像中提取2000個(gè)左右的候選框；把所有候選框縮放成固定大小（227*227），并進(jìn)行歸一化后輸入CNN（AlexNet）網(wǎng)絡(luò)，提取特征；提取到的CNN特征使用SVM來分類，用線性回歸來微調(diào)邊框位置與大小，其中每個(gè)類別單獨(dú)訓(xùn)練一個(gè)邊框回歸器；非極大值值抑制(NMS)來濾除重疊的候選框存在問題訓(xùn)練時(shí)間長測試時(shí)間長占用磁盤空間大卷積出來的特征數(shù)據(jù)還需要單獨(dú)保存rcnn算法R-CNN利用選擇性搜索算法在圖像中提取2000個(gè)左右的候選R-CNNFastR-CNN1.輸入為整張圖像并提取特征圖。2.

RoI池化層從特征圖中提取固定長度的特征向量。3.使用多任務(wù)損失函數(shù)，分別進(jìn)行softmax分類和邊框回歸。fast-rcnn算法R-CNNFast1.輸入為整張圖像并提取特征圖。fast-faster-rcnn模型結(jié)構(gòu)123特征提取粗分類+定位NMS去重精分類+定位NMS去重faster-rcnn算法faster-rcnn模型結(jié)構(gòu)123特征提取粗分類+定位NManchor框特征圖的每個(gè)像素點(diǎn)生成三種不同尺度大小的anchor框，每種框的寬高比分別為：1:1，2:1，1:2，即特征圖上的每個(gè)像素點(diǎn)共生成9個(gè)不同大小的anchor框。特征圖

faster-rcnn算法anchor框特征圖的每個(gè)像素點(diǎn)生成三種不同尺度大小的ancRPN網(wǎng)絡(luò)

遍歷特征圖上的每個(gè)像素點(diǎn)，然后根據(jù)不同位置和寬高的anchor框從原圖上生成候選框。faster-rcnn算法特征圖RPN網(wǎng)絡(luò)faster-rcnn算法特征圖1.第一階段CNN網(wǎng)絡(luò)提取特征2.第二階段（RPN網(wǎng)絡(luò)）

使用錨框生成候選框，初步實(shí)現(xiàn)目標(biāo)的粗分類和邊框回歸3.第三階段實(shí)現(xiàn)目標(biāo)的精分類和邊框回歸faster-rcnn算法faster-rcnn1.第一階段faster-rcnn算法faster-rcnnYOLO結(jié)構(gòu)簡單，屬于單階段的檢測方法速度快、資源消耗少精度較高YOLO(YouOnlyLookOnce)：創(chuàng)造性地將目標(biāo)區(qū)域推薦和識別這兩個(gè)階段合二為一，同時(shí)完成目標(biāo)定位和分類。YOLO系列算法YOLOYOLO(YouOnlyLookOnce)：創(chuàng)YOLOv1算法

YOLOv1的模型結(jié)構(gòu)比較簡單，與常規(guī)的CNN分類模型最大的差異是最后輸出層用線性函數(shù)做激活函數(shù)，從而實(shí)現(xiàn)預(yù)測boundingbox的位置。YOLOv1算法YOLOv1的模型結(jié)構(gòu)比較簡每個(gè)點(diǎn)的維度：類別概率：置信度：邊框信息：YOLOv1算法每個(gè)點(diǎn)的維度：類別概率：置信度：邊框信息：YOLOv1算法損失函數(shù)YOLOv1算法損失函數(shù)YOLOv1算法使用聚類生成的錨點(diǎn)代替手工設(shè)計(jì)的錨點(diǎn)；在高分辨率圖像上進(jìn)行遷移學(xué)習(xí)，提升網(wǎng)絡(luò)對高分辨圖像的響應(yīng)能力訓(xùn)練過程圖像尺寸不再固定，提升網(wǎng)絡(luò)對不同訓(xùn)練數(shù)據(jù)的泛化能力YOLOv2YOLOv2算法使用聚類生成的錨點(diǎn)代替手工設(shè)計(jì)的錨點(diǎn)；YOLOv2YOLOvyolov3改進(jìn)策略1.使用Darknet-53主干網(wǎng)絡(luò)2.使用k-means聚類9種尺度的先驗(yàn)框3.多尺