目标识别的标准测试集（目标识别准确率）

今天给各位分享目标识别的标准测试集的知识，其中也会对目标识别准确率进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

本文目录一览：

• 1、经典目标检测算法介绍
• 2、【目标检测算法解读】yolo系列算法二
• 3、目标检测系列(一):R-CNN

经典目标检测算法介绍

1、R-CNN将检测抽象为两个过程，一是基于图片提出若干可能包含物体的区域(即图片的局部裁剪，被称为Region Proposal)，文中使用的是Selective Search算法；二是在提出的这些区域上运行当时表现最好的分类网络(AlexNet)，得到每个区域内物体的类别。

2、算法详解：Fast R-CNN的流程图如下，网络有两个输入： 图像和对应的region proposal 。其中region proposal由selective search方法得到，没有表示在流程图中。

3、时间上的对比： Faster R-CNN最快并且能用作实时目标检测 之前几种算法的缺点： 产生region的时候没有纵览整幅图。其实图的某些部分有更高的可能性包含物体。

4、算法步骤如下： R-CNN较传统的目标检测算法获得了50%的性能提升，在使用VGG-16模型作为物体识别模型情况下，在voc2007数据集上可以取得66%的准确率，已经算还不错的一个成绩了。

5、与在大量区域上工作不同的是，RCNN 算法是在图像中选取一堆框并检查这些框中是否有任何一个包含任何目标。 RCNN 使用 selective search 从图像中提取这些框（这些框称为 regions）。

6、第一阶段的单目标追踪算法基本上都是传统方法，计算量小，在嵌入式等设备中落地较多，opencv中也预留了大量的接口。

【目标检测算法解读】yolo系列算法二

1、具体操作是先获取前层的26*26的特征图，将其同最后输出的13*13的特征图进行连接，而后输入检测器进行检测(检测器的FC层起到了全局特征融合的作用)，以此来提高对小目标的检测能力。

2、faster R-CNN使用resNet101模型作为卷积层，在voc2012数据集上可以达到88%的准确率，超过yolo ssd和yoloV2。其最大的问题是速度偏慢，每秒只能处理5帧，达不到实时性要求。

3、经典的目标检测网络RCNN系列分为两步，目标proposal和目标分类。而Faster-RCNN中把目标proposal和目标分类作为一个网络的两个分支分别输出，大大缩短了计算时间。

4、yolo算法 Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，核心思想就是利用整张图作为网络的输入，直接在输出层回归boundingbox(边界框)的位置及其所属的类别，整个系统。

目标检测系列(一):R-CNN

1、最著名的目标检测系统有RCNN系列、YOLO和SSD，本文将介绍RCNN系列的开篇作RCNN。 RCNN系列的技术演进过程可参见 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN 。

2、年R-CNN算法被提出，基本奠定了two-stage方式在目标检测领域的应用。

3、R-CNN将检测抽象为两个过程，一是基于图片提出若干可能包含物体的区域(即图片的局部裁剪，被称为Region Proposal)，文中使用的是Selective Search算法；二是在提出的这些区域上运行当时表现最好的分类网络(AlexNet)，得到每个区域内物体的类别。

目标识别的标准测试集的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于目标识别准确率、目标识别的标准测试集的信息别忘了在本站进行查找喔。