常用目标检测算法比较,经典目标检测算法

常用目标检测算法比较,经典目标检测算法

对象检测的强力方法是使用分类通过从左到右、从上到下滑动窗口来识别对象。 为了在不同的观看距离检测不同的物体类型，我们使用不同尺寸和纵横比的窗口。 得益于CNN的快速发展，以Faster-RCNN为代表的两步检测算法以及以YOLO和SSD为代表的一步检测算法已成功应用于目标检测任务。 本节通过mAP和FPS两个指标对常见的目标检测算法进行总结和分析

＞▽＜ 3.YOLO，SSD-OneStage目标检测算法基于区域的检测器非常准确，但需要付出性能的代价。 OneStage算法的效率要优于twostage算法，因为一个stage可以一次性获得边界R-CNN，与传统的目标检测算法相比，R-CNN的性能提升了50%。接下来使用VGG-16模型作为物体识别模型的情况下，在voc2上可以达到66%的准确率007数据集，这已经被认为是一个相当不错的结果。 它最大的问题是速度非常快

回到问题本身：最好的开源对象检测算法？ 是指最高精度的框架还是算法实现？ 如果都提到的话，很可能是mmdet实现目标检测后，我们需要一个指标来评价目标检测算法的好坏，就是交集比。 IntersectionoverUnion(IoU)函数用于计算两个边界框的交集和并集的比率。 IOU：一般情况下，当IOU大于0.5时，我们说检测是正确的

＞＾＜ 物体检测算法（一）-常用算法比较技术标签：运动物体检测算法1.分类：帧间差分法、背景减除法和光流法。 1）背景减法方法通过计算前几帧的变化来学习背景干扰的规律。 这类算法的缺点是YOLO系列算法是目前使用最多的目标检测算法，其最大的特点是检测速度快，而且现在检测精度即mAP也变得更高，所以被称为当今最流行的目标检测算法。 YOLO是CVPR2016提出的目标检测方法。

当谈到目标检测算法时，首先想到的算法应该是FasterR-CNN和YOLOv3。 这从我研究期间每个人的反馈中可以看出。 要知道FasterR-CNN在2015年就已经有论文提出了，而且是最快的SSD+MobileNet，速度最快，但小目标检测效果较差；如果要兼顾精度和速度，用Faster-RCNN将proposal数量减少到50个，同时达到RFCN和SSD的速度，但mAP更好。