AI实战：基于深度学习的目标检测算法汇总：SSD、YOLO系列、FPN

前言

上一篇文章：
AI实战：基于深度学习的目标检测算法汇总：R-CNN系列 (R-CNN、Fast R-CNN、Faster R-CNN)

本文继续基于深度学习的目标检测算法汇总：SSD、YOLO系列

SSD

• SSD的流程图：

  
  

• 要点：

  • 采用多尺度特征图独立检测
    
    

• 源码分享

  • A Keras port of Single Shot MultiBox Detector ：点击查看

  • SSD in TensorFlow: Traffic Sign Detection and Classification: 点击查看

YOLO系列

• YOLO的流程图

• 要点

  • YOLO 在卷积层之后使用了 DarkNet 来做特征检测。
  • YOLOv2 可以处理不同分辨率的输入图像。
  • YOLOv3 使用了更加复杂的骨干网络来提取特征。DarkNet-53 主要由 3 × 3 和 1× 1 的卷积核以及类似 ResNet 中的跳过连接构成。
  • YOLOv3 还添加了特征金字塔，以更好地检测小目标。
    
    

• 源码分享

  keras-yolo3：点击查看

  YOLOv3( tensorflow Implement )：点击查看

  YOLO_tensorflow：点击查看

  yolov2_tensorflow：点击查看

FPN（特征金字塔网络）

• FPN的流程图：

  - 要点

  • FPN 由自下而上和自上而下路径组成。
  • 其中自下而上的路径是用于特征提取的常用卷积网络。空间分辨率自下而上地下降。
  • 当检测到更高层的结构，每层的语义值增加。
    

• 源码分享

  Feature Pyramid Networks for Object Detection（caffe）：点击查看

  Pytorch implementation of Feature Pyramid Network (FPN) for Object Detection:点击查看

  Feature Pyramid Networks for Object Detection:点击查看

  FastFPN: 点击查看