YOLO相關背景知識[1]

論文鏈接：http://arxiv.org/pdf/1506.02640

• 兩大流派
  目前，基于深度學習算法的一系列目標檢測算法大致分為兩大流派：
  1.兩步走（two-stage）算法：先產生候選區域然后再進行CNN分類(RCNN系列)，
  2.一步走（one-stage）算法：直接對輸入圖像應用算法并輸出類別和相應的定位(YOLO系列)

  之前的R-CNN系列雖然準確率比較高，但是即使是發展到Faster R-CNN，檢測一張圖片如下圖所示也要7fps(原文為5fps)，為了使得檢測的工作能夠用到實時中，提出了YOLO[2]。
  下面是相關方法展示圖。
  

  • YOLO檢測思想
    如下圖所示
    
    
    一個單元格生成兩個針對該潛在物體的方框信息，這兩個方框要以該單元格為中心，對于每個單元格，生成4個值得位置信息和一個該方框包含該物體的置信概率值；除此之外，還生成類別個數（論文中數據集對應20類類別）的置信概率，總共是若生成兩個方框，則為2*（4+1）+20。

參考文獻
[1] https://www.jianshu.com/p/13ec2aa50c12
[2] Redmon J , Divvala S , Girshick R , et al. You Only Look Once: Unified, Real-Time Object Detection[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016.

總結

以上是生活随笔為你收集整理的Single-stage目标检测网络YOLO相关背景知识的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。