2. 程式人生 > >深度學習之目標檢測常用算法原理+實踐精講 YOLO / Faster RCNN / SSD / 文本檢測 / 多任務網絡

深度學習之目標檢測常用算法原理+實踐精講 YOLO / Faster RCNN / SSD / 文本檢測 / 多任務網絡

阿新 • • 發佈：2018-12-25
資源 測試 -h 轉換 條件 評價 框架 檢測方法 結果

深度學習之目標檢測常用算法原理+實踐精講 YOLO / Faster RCNN / SSD / 文本檢測 / 多任務網絡

資源獲取鏈接：點擊這裏

  • 第1章 課程介紹

    本章節主要介紹課程的主要內容、核心知識點、課程涉及到的應用案例、深度學習算法設計通用流程、適應人群、學習本門課程的前置條件、學習後達到的效果等，幫助大家從整體上了解本門課程的整體脈絡。

    • 1-1 課程導學
  • 第2章 目標檢測算法基礎介紹

    本章節主要介紹目標檢測算法的基本概念、傳統的目標檢測算法、目前深度學習目標檢測主流方法（one-stage、two-stage、多任務網絡）、相關算法的基本流程、算法性能的評價指標、不同算法的優缺點和性能比較等，並結合實際的應用場景和案例來介紹目標檢測算法的重要性和實用性。...

    • 2-1 目標檢測問題定義
    • 2-2 目標檢測問題方法
    • 2-3 傳統目標檢測方法基本流程
    • 2-4 常見傳統目標檢測方法-Viola-Jones（人臉檢測）
    • 2-5 常見傳統目標檢測方法-HOG+SVM（行人檢測、Opencv）
    • 2-6 常見傳統目標檢測方法-DPM（物體檢測）
    • 2-7 常見傳統目標檢測方法-Sofe-NMS（非極大值抑制算法）
    • 2-8 Two-stage基本介紹，流程與常見算法
    • 2-9 Two-stage核心組件
    • 2-10 One-stage基本介紹、流程與常見算法
    • 2-11 One-stage核心組件
    • 2-12 One-stage與Two-stage優缺點對比
    • 2-13 思考題
  • 第3章 SSD系列算法原理精講

    本章節主要針對SSD系列目標檢測算法原理進行介紹，其中涉及到了one-stage目標檢測算法流程，SSD及其變種網絡（DSSD、DSOD、FSSD、RSSD等）的核心思想、主幹網絡設計思想、框架結構、Default box、Prior box、樣本構造、數據增強、損失函數，對比不同算法優缺點以及介紹算法應用場景等。...

    • 3-1 SSD系列算法介紹（主幹網絡、多尺度Feature Map預測）
    • 3-2 Prior Box Layer、樣本構造、損失函數介紹
    • 3-3 DSSD、DSOD算法
    • 3-4 FSSD、RSSD算法
    • 3-5 思考題
  • 第4章 基於SSD的人臉檢測項目實戰

    本章節以人臉檢測實際業務場景為例，利用SSD來解決人臉檢測問題，涉及到了Wider Face數據集介紹、VOC數據集格式、打包、SSD框架解讀、環境搭建、SSD-Face人臉檢測模型訓練、測試等內容，幫助大家從實際案例的角度出發，快速入門SSD算法框架的實戰項目。...

    • 4-1 人臉業務場景介紹（常見問題、標註方法、算法性能好壞、人臉采集常用方法）
    • 4-2 Wider Face數據集介紹、標註格式、下載等
    • 4-3 Wider Face數據集介紹
    • 4-4 Wider Face數據集轉VOC格式數據集編程實現
    • 4-5 使用Caffe-SSD打包Wider Face為LMDB格式樣本實操
    • 4-6 Caffe-SSD框架搭建及訓練腳本解讀
    • 4-7 Caffe-SSD人臉檢測模型訓練實操講解
    • 4-8 Caffe-SSD框架主幹網絡腳本講解+實操
    • 4-9 Caffe-SSD框架訓練腳本講解+實操
    • 4-10 Caffe-SSD框架模型測試介紹與腳本編程實現
    • 4-11 Caffe-SSD框架測試結果可視化與人臉檢測技巧說明
    • 4-12 思考題
  • 第5章 Faster RCNN系列算法原理精講

    本章節主要針對Faster RCNN系列目標檢測算法原理進行介紹，其中涉及到了two-stage目標檢測算法流程、從RCNN到Faster RCNN以及Faster RCNN的系列變種網絡（HyperNet、RFCN、Light-Head RCNN、Mask-RCNN、Cascade RCNN、CoupleNet）的核心思想、主幹網絡設計思想、框架結構、RPN網絡、OHEM、Soft-NMS等，對比不同算法優...

    • 5-1 Faseter-Rcnn系列介紹
    • 5-2 RCNN介紹
    • 5-3 SPPNet介紹
    • 5-4 Fast rcnn介紹
    • 5-5 HyperNet、RFCN介紹
    • 5-6 Light-Head RCNN、Mask-RCNN介紹
    • 5-7 Cascade RCNN、CoupleNet、OHEM、Soft-NMS介紹
    • 5-8 思考題
  • 第6章 基於Faster RCNN的ADAS場景目標檢測項目實戰

    本章節以ADAS實際業務場景為例，利用Faster RCNN來解決機動車、非機動車、行人等駕駛場景中的目標檢測問題，涉及到Kitti數據集介紹、VOC格式數據轉換、Faster rcnn框架解讀、環境搭建、Faster rcnn-ADAS目標檢測模型訓練、測試等內容，幫助大家從實戰的角度快速掌握Faster RCNN系列算法框架的使用。...

    • 6-1 ADAS業務場景介紹
    • 6-2 Kitti數據集介紹、標註格式、下載等
    • 6-3 Kitti數據集類別提取編程實現
    • 6-4 Kitti數據集轉VOC格式數據腳本編程實現
    • 6-5 Faster RCNN目標檢測模型環境搭建介紹
    • 6-6 Faster RCNN目標檢測環境搭建實操
    • 6-7 Faster RCNN目標檢測框架介紹
    • 6-8 Faster RCNN目標檢測框架訓練腳本參數配置介紹
    • 6-9 Faster RCNN目標檢測框架配置修改實操
    • 6-10 Faster RCNN目標檢測模型訓練及其優化
    • 6-11 利用Faster RCNN測試腳本進行模型測試
    • 6-12 自己動手編程實現Faster RCNN模型測試腳本
    • 6-13 思考題
  • 第7章 YOLO系列算法原理精講

    本章節主要針對YOLO系列目標檢測算法原理進行介紹，其中涉及到了算法基本流程、主幹網絡結構、設計思路、YOLOV1/V2/V3/9000、Anchor Boxes、Multi-Scale Training、Darknet-19網絡、Darknet框架等，對比不同算法優缺點和模型性能等。

    • 7-1 Yolov1算法
    • 7-2 Yolov2算法（1）
    • 7-3 Yolov2算法（2）
    • 7-4 Yolo9000算法
    • 7-5 Yolov3算法
    • 7-6 思考題
  • 第8章 基於YOLOV3的通用物體檢測項目實戰

    本章節以通用物體檢測（coco）實際業務場景為例，利用YOLOV3來解決通用物體檢測問題，涉及到coco數據集介紹、darknet框架解讀，環境搭建、YOLOV3-coco通用物體檢測模型訓練、測試等內容，幫助大家了解理論的前提下，快速入門YOLO系列算法實戰項目。...

    • 8-1 物體檢測業務場景綜述
    • 8-2 COCO數據集介紹、標註格式、下載腳本等
    • 8-3 YOLOV3DarkNet框架介紹和環境搭建
    • 8-4 DarkNet框架解讀及相關配置說明
    • 8-5 利用DarkNet框架進行YOLOV3模型訓練實操
    • 8-6 YoloV3檢測模型的測試介紹及編程實例
    • 8-7 思考題
  • 第9章 文本檢測系列算法原理精講

    本章節主要針對文本檢測系列算法原理進行介紹，其中涉及到了算法基本流程、傳統的文本檢測算法（Top-down、bottom-up）、物體檢測算法VS文本檢測算法、文本檢測算法優化方向、常用文本檢測算法模型（CTPN、RRPN、FTSN、DMPNet、EAST、SegLink、Pixel Link、Textboxes、Textboxes++等）、文本檢測數據集（ICDAR、CTW、RCTW-...

    • 9-1 文本檢測算法原理介紹
    • 9-2 CTPN模型
    • 9-3 RRPN模型
    • 9-4 FTSN模型
    • 9-5 DMPNet模型
    • 9-6 EAST模型
    • 9-7 SegLink模型
    • 9-8 PixelLink模型
    • 9-9 Textboxes講解
    • 9-10 Textboxes++模型介紹
    • 9-11 文本檢測常見數據集
    • 9-12 其他檢測模型方法介紹
    • 9-13 思考題
  • 第10章 基於EAST的自然場景文本檢測項目實戰

    本章節以自然場景下的文本檢測實際業務場景為例，利用EAST框架來解決文本檢測問題，涉及到ICDAR數據集介紹、ICDAR數據下載、標註格式解讀、EAST框架解讀、環境搭建、模型訓練、測試等，幫助大家從實際案例的角度出發，快速入門文本檢測算法框架的實戰項目。...

    • 10-1 自然場景下文本檢測業務場景綜述
    • 10-2 ICDAR數據集介紹、標註格式、下載等
    • 10-3 EAST文本檢測框架環境搭建
    • 10-4 EAST文本檢測框架解讀與訓練實操
    • 10-5 EAST文本檢測模型測試腳本編程實例
    • 10-6 思考題
  • 第11章 多任務網絡原理介紹

    本章節主要針對文本檢測系列算法原理進行介紹，其中涉及到了算法基本流程、傳統的文本檢測算法（Top-down、bottom-up）、物體檢測算法VS文本檢測算法、文本檢測算法優化方向、常用文本檢測算法模型（CTPN、RRPN、FTSN、DMPNet、EAST、SegLink、Pixel Link、Textboxes、Textboxes++等）、文本檢測數據集（ICDAR、CTW、RCTW-...

  • 第12章 基於人臉檢測+關鍵點定位的多任務網絡項目實戰

    本章節以人臉檢測+關鍵點定位的實際業務場景為例，利用MTCNN多任務網絡來解決多個任務的數據打包、環境搭建、模型訓練、測試等實戰項目，幫助大家從實際案例的角度出發，快速入門多任務網絡的實戰項目。

  • 第13章 課程總結

    針對課程進行最後總結，回顧課程核心內容，分享目標檢測行業實戰經驗，再次幫助大家理清學習內容進一步的給出後續學習和提升給出建設性意見。

    資源獲取鏈接：點擊這裏

深度學習之目標檢測常用算法原理+實踐精講 YOLO / Faster RCNN / SSD / 文本檢測 / 多任務網絡

相關推薦

深度學習之目標檢測常用算法原理+實踐精講 YOLO / Faster RCNN / SSD / 文本檢測 / 多任務網絡

資源 測試 -h 轉換 條件 評價 框架 檢測方法 結果 深度學習之目標檢測常用算法原理+實踐精講 YOLO / Faster RCNN / SSD / 文本檢測 / 多任務網絡 資源獲取鏈接：點擊這裏 第1章 課程介紹 本章節主要介紹課程的主要內容、核心知識點、課程

深度學習之目標檢測常用算法原理+實踐精講

soft cnn 算法設計 head 標註 學習內容 網絡 link 經驗 第1章 課程介紹本章節主要介紹課程的主要內容、核心知識點、課程涉及到的應用案例、深度學習算法設計通用流程、適應人群、學習本門課程的前置條件、學習後達到的效果等，幫助大家從整體上了解本門課程的整體脈絡

深度學習之目標檢測常用演算法原理+實踐精講 YOLO / Faster RCNN / SSD / 文字檢測 / 多工網路

深度學習之目標檢測常用演算法原理+實踐精講 YOLO / Faster RCNN / SSD / 文字檢測 / 多工網路 資源獲取連結：點選這裡 第1章 課程介紹 本章節主要介紹課程的主要內容、核心知識點、課程涉及到的應用案例、深度學習演算法設計通用流程、適應人群、學習本門

深度學習之目標檢測常用演算法原理+實踐精講

第1章 課程介紹本章節主要介紹課程的主要內容、核心知識點、課程涉及到的應用案例、深度學習演算法設計通用流程、適應人群、學習本門課程的前置條件、學習後達到的效果等，幫助大家從整體上了解本門課程的整體脈絡。 第2章 目標檢測演算法基礎介紹本章節主要介紹目標檢測演算法的基本概念、傳統的目標檢測演算法、目前深度學習

深度學習之目標檢測object_detection程式碼實現

基於tensorflow的object_detection框架和slim框架，實現一個目標檢測系統： 一：資料及準備 1.資料標註，使用labelImg對資料集進行標註，生成對應的xml檔案 2.使用create_pet_tf_record.py指令碼生成tfrec

棋牌平臺開發教程之鬥地主常用算法

源碼 最大的 http 大王 等待時間 細節 第一個 參考 更多 首先，要弄清楚鬥地主的牌型有哪些。可以參考QQ遊戲給出的介紹，如下： 火箭：即雙王（大王和小王），最大的牌。 炸彈：四張同數值牌（如四個 7 ）。 單牌：單個

機器學習之Logistic 回歸算法

簡單 生成 選擇 效率 split max 坐標 opened 似然函數 1 Logistic 回歸算法的原理 1.1 需要的數學基礎 我在看機器學習實戰時對其中的代碼非常費解，說好的利用偏導數求最值怎麽代碼中沒有體現啊，就一個簡單的式子：θ= θ - α Σ [( hθ(

機器學習之利用KNN近鄰算法預測數據

plt 部分 制圖 標簽 預測 最近鄰 特征值 learn xlsx 前半部分是簡介, 後半部分是案例 KNN近鄰算法: 簡單說就是采用測量不同特征值之間的距離方法進行分類（k-Nearest Neighbor，KNN） 優點: 精度高、對異常值不敏感、無數據輸入假定 缺

深度學習之目標跟蹤

兩種特徵的結合，即Learning the template score（Hog特徵）+ Learning the histogram score（簡單的顏色直方圖）   HOG特徵時對運動模糊和照度很魯棒，但是對形變不夠魯棒；而顏色直方圖對形變則非常魯棒。 畢竟一個目標有了形

scikit-learn機器學習常用算法原理及編程實戰（一）

sed 數據 super 結構化 得到 人工智 計算機程序 語音 數值 機器學習介紹 機器學習的概念 機器學習要解決的問題分類 使用機器學習解決問題的一般性步驟 什麽是機器學習 機器學習是一個計算機程序，針對某個特定的任務 ，從經驗中學習，並且越做越好。 誰掌握的數據

深度學習之圖片壓縮算法

深度學習、圖片壓縮近年來，深度學習在計算機視覺領域已經占據主導地位，不論是在圖像識別還是超分辨重現上，深度學習已成為圖片研究的重要技術；現在深度學習技術已進入圖片壓縮領域。以圖鴨科技最新研發的圖片壓縮——Tiny Network Graphics (TNG) 為例，其以深度學習卷積神經網絡為內核，在保持相同圖

深度學習 之 GRU 算法例子

深度學習 GRU 算法 例子首先下載代碼：https://github.com/whk6688/rnn 例子1：預測下文 private void train(CharText ctext, double lr) { Map<Integer, String> indexChar

機器學習之特征工程-常用算法及實現

機器學習 特征工程 AI ML Feature Engineering 機器學習之特征工程-常用算法及實現

深度學習之神經網絡（CNN/RNN/GAN） 算法原理+實戰

依次 正向 重要 深入 tun 機器學習算法 及其 卷積 -m 第1章 課程介紹 深度學習的導學課程，主要介紹了深度學習的應用範疇、人才需求情況和主要算法。對課程章節、課程安排、適用人群、前提條件以及學習完成後達到的程度進行了介紹，讓同學們對本課程有基本的認識。 第2章

學習筆記之——基於深度學習的目標檢測演算法

        國慶假期閒來無事~又正好打算入門基於深度學習的視覺檢測領域，就利用這個時間來寫一份學習的博文~本博文主要是本人的學習筆記與調研報告（不涉及商業用途），博文的部分來自我團隊的幾位成員的調研報告（由於隱私關係，不公告他們的名字了哈~），同時結合

DL之Yolo系列：深度學習實現目標檢測之Yolo系列的論文簡介、概念理解、思路配圖等詳細攻略

DL之Yolo系列：深度學習實現目標檢測之Yolo系列的論文簡介、概念理解、思路配圖等詳細攻略     Yolo系列的論文簡介 1、Yolo V1簡介   2、Yolo V2簡介   3、Yolo V3簡介   &

Deep Learning回顧之基於深度學習的目標檢測

轉自：https://www.52ml.net/20287.html 引言 普通的深度學習監督演算法主要是用來做分類，如圖1(1)所示，分類的目標是要識別出圖中所示是一隻貓。而在ILSVRC（ImageNet Large Scale Visual Recognitio

基於深度學習的目標檢測演算法綜述（二）—Two/One stage演算法改進之R-FCN

基於深度學習的目標檢測演算法綜述（一）：https://blog.csdn.net/weixin_36835368/article/details/82687919 目錄 1、Two stage 1.1 R-FCN：Object Detection via Region-based

深度學習經典目標檢測例項分割語義分割網路的理解之五 MASK-RCNN

我不生產博文，我是CSDN的搬運工。本文參考了下面這幾篇部落格：基於最早的 Faster RCNN 框架，出現不少改進，主要有三篇需要看：1）作者推薦的這篇     Speed/accuracy trade-offs for modern convolutional obje

深度學習經典目標檢測例項分割語義分割網路的理解之三 FAST-RCNN

再次感謝@shenxiaolu1984 ，寫了一系列關於目標檢測深度學習模型的優秀博文，本文主要參考fast-rcnn這篇（大部分照搬過來了，區域性加入自己的理解和補充）。 繼續上一篇RCNN之後，繼續介紹FAST-RCNN, 因為RCNN雖然實現了bbox的預測，但是