【目标检测】YOLO和SSD的区别
这里的YOLO是指YOLO v1算法。
一、YOLO
主要思想(key idea):
将物体检测这个问题定义为bounding box和分类置信度的回归问题。
将整张图像作为输入,划分成SxS grid(7×7网格),每个cell(格子)预测B个bounding box(x, y, w, h)及对应的分类置信度(class-specific confidence score)。分类置信度是bounding box是物体的概率及其与真实值IOU相乘的结果。
优点:
速度快,YOLO模型可以达到45FPS。
YOLO使用图像的全局信息做预测,因而对背景的误识别率比Fast R-CNN低。
YOLO学习到的特征更加通用,在艺术品的检测上准确率高于DPM和R-CNN(YOLO泛化能力强)。
缺点:
每个cell(格子)只能拥有一个label和两个bounding box,这个空间局限性,使得对小物体检测效果不好(尤其是密集的小物体)。
对于物体长宽比的泛化能力较弱,当一类物体新的长宽比出现时,检测准确率减低。
损失函数的设计,导致定位误差是影响检测效果的主要原因,在小的物体上,检测准确率较低。
二、SSD
主要思想(key idea):
将物体检测这个问题的解空间,抽象为一组预先设定好(尺度,长宽比)的bounding box。
在每个bounding box,预测分类label,以及box offset来更好的框出物体。
对一张图片,结合多个大小不同的feature map的预测结果,以期能够处理大小不同的物体。
优点:
- 运行速度可以和YOLO媲美,检测精度可以和Faster R-CNN媲美。
缺点:
- 需要人工设置prior box的min_size,max_size和aspect_ratio值。网络中prior box的基础大小和形状不能直接通过学习获得,而是需要手工设置。而网络中每一层feature使用的prior box大小和形状恰好都不一样,导致调试过程非常依赖经验。
- 虽然采用了pyramdial feature hierarchy的思路,但是对小目标的recall依然一般,并没有达到碾压Faster R-CNN的级别。作者认为,这是由于SSD使用conv4_3低级feature去检测小目标,而低级特征卷积层数少,存在特征提取不充分的问题。
三、区别
- YOLO在卷积层后接全连接层,即检测时只利用了最高层Feature maps(包括Faster
RCNN也是如此)而SSD采用金字塔结构,即利用了conv4-3/fc7/conv6-2/conv7-2/conv8_2/conv9_2这些大小不同的feature maps,在多个feature maps上同时进行softmax分类和位置回归。 - SSD加入了Prior box。
参考:
https://zhuanlan.zhihu.com/p/89200261
https://blog.csdn.net/qq_31511955/article/details/80597211
【目标检测】YOLO和SSD的区别相关推荐
- 目标检测Yolo与SSD算法比较
目标检测近年来已经取得了很重要的进展,主流的算法主要分为两个类型(参考RefineDet):(1)two-stage方法,如R-CNN系算法,其主要思路是先通过启发式方法(selective sear ...
- yolov3网络结构图_目标检测——YOLO V3简介及代码注释(附github代码——已跑通)...
GitHub: liuyuemaicha/PyTorch-YOLOv3github.com 注:该代码fork自eriklindernoren/PyTorch-YOLOv3,该代码相比master分 ...
- 目标检测YOLO系列------YOLO简介
目标检测YOLO系列------YOLO简介 1.为什么会出现YOLO算法 2.YOLO算法会逐渐成为目标检测的主流吗 YOLO以及各种变体已经广泛应用于目标检测算法所涉及到的方方面面,为了梳 ...
- python ssd目标检测_目标检测算法之SSD的数据增强策略
前言 这篇文章是对前面<目标检测算法之SSD代码解析>,推文地址如下:点这里的补充.主要介绍SSD的数据增强策略,把这篇文章和代码解析的文章放在一起学最好不过啦.本节解析的仍然是上篇SSD ...
- 手把手教你训练自己的目标检测模型(SSD篇)
目标检测是AI的一项重要应用,通过目标检测模型能在图像中把人.动物.汽车.飞机等目标物体检测出来,甚至还能将物体的轮廓描绘出来,就像下面这张图,是不是很酷炫呢,嘿嘿 在动手训练自己的目标检测模型之前, ...
- 目标检测 | YOLO系列超全讲解v1,v2,v3
前言 一.YOLOv1 1. 网络结构 2. 实现方法 3. 损失函数 4. 缺点 二.YOLOv2 1. 网络结构 2. 改进方法 3. YOLO9000 4. 网络训练细节 三.YOLOv3 1. ...
- 目标检测 YOLO系列算法
文章目录 1. YOLO算法 1.1 Yolo算法思想 1.2 Yolo的网络结构 1.2.1 网络输入 1.2.2 网络输出 1.7X7网格 2x30维向量 1.3 Yolo模型的训练 1.3.1训 ...
- 详细解读目标检测经典算法-SSD
学习目标: 知道SSD的多尺度特征图的网络 知道SSD中先验框的生成方式 知道SSD的损失函数的设计 目标检测算法主要分为两类: Two-stage方法:如R-CNN系列算法,主要思路就是通过Sele ...
- 【目标检测-YOLO】博客阅读:Introduction to the YOLO Family
阅读收获 本文是博客:https://pyimagesearch.com/2022/04/04/introduction-to-the-yolo-family/ 的翻译. 好吧!其实在这里面并没有太多 ...
- 目标检测-Yolo框架
文章目录 基本概念 目标检测 目标检测算法分类 目标检测原理 数据表示 效果评估 非极大值抑制(NMS) Yolov Yolov1 基本思想 网络结构 优点与缺点 YOLOV2 与YOLOV1区别 Y ...
最新文章
- 如何安装python虚拟环境_如何安装python3.9以及python虚拟环境?
- from torchvision import _C解决办法
- iOS中正则表达式的使用
- LeetCode-动态规划基础题-62. 不同路径
- Windows命令计算MD5与SHA1/256值
- QT的QGraphicsPathItem类的使用
- 2019-03-19-算法-进化(报数)
- Java 18 发布:甲骨文公司已开始将Java纳入其软件许可审计
- 【重点:BFS】LeetCode 407. Trapping Rain Water II
- mysql端口隐藏_修改MySQL端口以及出现的问题
- Camera persist使用手册之log使用技巧
- 全国DEM下载教程 90米、30米、12.5米和5米等各种精度DEM数据
- 服务器的mdf文件怎么打开,mdf文件,教您mdf文件怎么打开
- php第三方支付sdk,第三方支付 SDK
- POJ2387 ————最短路
- c盘空间太小怎么办 c盘如何扩展分区
- 网络游戏程序员须知 目录
- 开发板BMP图片显示(6818开发板)
- XP硬盘读写速度很慢的解决方法
- 数据可视化和可视化分析:你能看到数据世界
热门文章
- web性能优化 JS/CSS CDN加速公共库
- 集团化公司快递收发管理教程
- 武林大会之国产数据库风云榜-2021年11月
- linux和windows认证sssd,linux – 使用sssd和Active Directory集成的麻烦
- 轻松几步获得上万点击率(三)
- 关于 JSON,什么是JSON
- 7. 丈母娘嫌我不懂K8s的Service概念,让我去面壁
- e.target.dataset和e.currentTarget.dataset
- 记微博上一次“落荒而逃”
- rk3588 驱动调试记录