基于神经卷积网络的目标检测算法总结-PPT

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,基于深度卷积神经网络的,监控视频目标检测算法研究,2018.4.17,CONTENTS,01,目标检测,02,深度学习发展史,03,基于深度卷积神经网络的监控视频目标检测算法,1,目标检测,目标检测,基本概念,基于计算机视觉技术的目标检测就是,“,给定一张图像或者视频帧，找出其中所有目标的位置，并给出每个目标的具体类别,”,。,应用领域,智能视频监控；基于内容的图像、视频检索；基于计算机视觉的人机交互；自动驾驶等,重点,1.识别目标,2.确定位置,2,深度学习发展史,人工智能 vs 机器学习 vs 深度学习,3,基于深度卷积神经网络的,监控视频目标检测算法,目标检测,参考论文：卷积神经网络在图像分类和目标检测应用综述_周俊宇等,基于区域推荐的深度卷积神经网络的物体检测算法,区域推荐算法,R-CNN,SPP-NET,Faster-R-CNN,Fast-R-CNN,R-FCN,Region Proposal,4个步骤,1.候选区域生成：一张图像生成1K2K个候选区域（采用Selective Search 方法）,2.特征提取：对每个候选区域，使用深度卷积网络提取特征（CNN）,3.类别判断：特征送入每一类的SVM 分类器，判别是否属于该类,4.位置精修：使用回归器精细修正候选框位置,R-CNN,改进点,在最后一个卷积层后，设计一个金字塔池化层，,然后，将特征图像固定到要求的尺寸。,SPP-NET,改进点,1.很大程度上实现了end to end（除了region proposals的产生还是用的selective search）。,2.不再是将region proposals依次通过CNN，而是直接输入原图，来提取特征（这样一张图只会CNN一次）。,3.网络同时输出类别判断以及bbox回归建议（即两个同级输出），不再分开训练SVM和回归器。,Fast-R-CNN,改进点,1.卷积生成候选区域,“,RPN（Region Proposal Network）网络,”,代替了Selective Search算法,2.完全实现了端到端的训练，实时检测,Faster-R-CNN,改进点,将全连接层看作是整个特征图的卷积，卷积层替代了全连接层,R-FCN,基于回归算法的深度卷积神经网络的物体检测算法,回归算法,YOLO,Fast-YOLO,SSD,End to End,改进点,仅用一个神经网络，相对于基于候选区域的2个卷积网络检测速度大大提高,YOLO,改进点,以VGG-16为基础，在最后一个卷积层后额外加入卷积层，大小逐层递减，在每个卷积层上做滑动窗口，在不同尺度的特征图下找锚定框,SSD,小结,1.基本实现实时检测,1.只用一个神经网络，检测速度大大提高,基于候选区域方法,基于回归方法,2.同时训练2个卷积网络，仍存在训练参数多，训练时间长，网络结构复杂等问题（本质上仍用传统,“,三步走,”,思路）,2.小目标识别效果不好,THANK,YOU!,