目标检测网络,22年目标检测算法合集

目标检测网络,22年目标检测算法合集

1.目标检测任务在引入目标检测网络之前，我们需要了解目标检测任务是什么，需要完成什么，以及评估目标检测效果的指标是什么。 1.1目标检测任务描述目标检测是图像处理的一个主题。最近，我阅读了很多目标检测领域的优质文献。今天，我首先分享一个我个人认为非常好的创新，一个可以感知尺度的目标检测的新网络，其性能可以达到27FPS/38.5mAP；55FPS/32.%mAP，优于TripleNet和RFBNet

简单地说，目标检测和图像分类这两个任务有一定的相似之处，因为分类网络，如VGG、ResNet等，都可以用作特征提取器。 这部分，我们称之为主干。 所谓backbone，直接翻译为"从整个SSD网络中选择conv4_3,conv7,conv8_2,conv9_2,conv10_2,conv11_2卷积层的featuremap来预测box，从不同层的featuremap中预测不同尺寸的目标（多尺度），浅层预测小目标，深层预测大目标以及每个特征

＋﹏＋ 通过$1\times1$卷积实现，卷积通道数为9\times2（每个点有9个anchor，每个anchor分为两类，利用交叉熵损失），然后通过softmax分类得到正anchor，即相当于初步提取了检测目标候选区域框。目标检测领域发展到现在，已经出现了很多里程碑式的网络结构沙子设计理念。 类别：两级单级

与传统的目标检测相比，DETR是纯粹的端到端网络。 它不再需要NMS（非极大值抑制，用于去除多余的预测框）并生成锚点。 DETR提出了一个新的目标函数（二分图匹配），这意味着浅层网络可以被视为深层网络的子网络，并且深层网络至少不会比浅层网络产生更严重的影响。 2.目标检测网络目标检测是用边界框标记图像中物体的位置；语义分割是

RFB目标检测网络的论文：ReceptiveFieldBlockNetforAccurateandFastObjectDetectionGithub：https://github/ruinmessi/RFBNetECCV2018基于ReceptiveFields  RetinaNet的论文由Tsung-YiLinandKaimingHein2018发布该网络在论文《密集物体检测的焦点损失》中提出。 RetinaNet结构精简清晰，可扩展性强，检测精度高。