目標檢測方法效果小結
阿新 • • 發佈:2018-12-21
one stage 檢測演算法
R-CNN:
使用selective search方法先產生region proposals,再使用淺層CNN網路進行特徵提取,最後使用svm進行分類。這篇論文裡提及的一個點,就是關於bbox的迴歸方法。由於使用selective search方法提取的每一個region都進行一次前向卷積操作,因此R-CNN方法非常耗時,不適於實際檢測使用。
SPP-Net:
針對R-CNN多次使用CNN提取特徵,有重複計算的弊端,SPP-Net提出的方法是,在原圖上只提取一次特徵,然後採用對映的方式,找到region在feature map上的對映區域,再將該區域送到分類器(SPP-Net使用的依然是svm)中進行訓練。另外,SPP-Net所設計的網路架構(SPP)可以處理任意尺寸的輸入圖片,而不需要像R-CNN那樣,需要事先對region進行crop/warp操作。
結果顯示,由於提取特徵時可以共享特徵,該方法相較於R-CNN,繼降低了耗時,也提升了檢測精度。
YOLO
YOLO2
SSD
檢測速度最快。
RetinaNet
綜合性能最佳。
two stage 檢測演算法
Fast R-CNN:
這篇文章綜合考慮了R-CNN和SPP-Net的優缺點,網路設計了一種ROI Pooling Layer(其實就是1個level的SPP)。這篇文章主要的共享是,將bbox迴歸和cls迴歸放在一起處理。
Faster R-CNN
提出了RPN網路,能夠自己學習產生region proposals。實際上就是RPN+Fast R-CNN。
Mask R-CNN
效果對比
YOLO & YOLOv2
(1)邊框定位不夠精準,尤其是小目標
(2)目標檢出率低,尤其是小目標
(3)誤報少
(4)耗時少
SSD
(1)邊框定位準
(2)目標檢出率高
(3)誤報相較YOLO多
(4)耗時多
faster- rcnn
(1)邊框定位準
(2)目標檢測率高
(3)耗時高
(4)訓練時間長
(5)誤報相較YOLO高