前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >目标检测--SqueezeDet 用于自动驾驶的实时目标检测网络

目标检测--SqueezeDet 用于自动驾驶的实时目标检测网络

作者头像
用户1148525
发布2019-05-27 19:09:34
1.1K0
发布2019-05-27 19:09:34
举报
文章被收录于专栏:机器学习、深度学习

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://cloud.tencent.com/developer/article/1436694

SqueezeDet: Unified, Small, Low Power Fully Convolutional Neural Networks for Real-Time Object Detection for Autonomous Driving

https://arxiv.org/abs/1612.01051

tensorflow code: https://github.com/BichenWuUCB/squeezeDet

2 Related Work

2.1. CNNs for object detection

代码语言:txt
复制
  R-CNN,Faster R-CNN, R-FCN  这些基于候选区域的方法实时性比较差,YOLO是第一个实现实时检测的算法。

2.2. Small CNN models

代码语言:txt
复制
小模型主要体现在参数数量规模上面。AlexNet 有240MB 参数,而 SqueezeNet 只有  4.8MB 参数,而且两者性能相当。

2.3. Fully convolutional networks

代码语言:txt
复制
  全卷积网络还是比较流行的。R-FCN  就是全卷积网络。
  1. Method Description 3.1. Detection Pipeline

输入图像经过一个卷积网络提取特征图 feature map,这个特征图经过一个 ConvDet 层处理得到 若干矩形框,每个矩形框有坐标,C个类别概率,1个confidence score,就是包含物体的概率。最后经过非极大值抑制过滤,得到最终检测结果。

3.2. ConvDet

对特征图的每个网格位置使用 K个 anchors 进行矩形框的回归和置信度计算。

RPN, ConvDet and YOLO的检测层 对比,主要是参数数量的不一样。

性能对比:

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017年04月07日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档