Хорошая структура для обнаружения объектов в реальном времени — это Viola Jones Object Detection Framework. Он быстро во время выполнения, но медленно при обучении. Обнаружение объектов помогает в оценке позы, обнаружении транспортных средств , наблюдении и т. д. Это мой главный список:
SSD: Single Shot MultiBox Detector. R-FCN. Быстрее RCNN. YOLO.
Быстрый RCNN.
Соответственно, какой алгоритм используется для обнаружения объекта? Заключение. В этом посте мы описали два наиболее часто применяемых алгоритма обнаружения объектов — HOG и YOLO . HOG — это дескриптор функции, который, как было доказано, хорошо работает с SVM и аналогичными моделями машинного обучения, тогда как YOLO используется нейронными сетями на основе глубокого обучения.
Кроме того, что такое CNN в обнаружении объектов? Что такое сверточная нейронная сеть ( CNN ) Нейронная сеть состоит из нескольких различных уровней, таких как входной слой, по крайней мере, один скрытый слой и выходной слой. Их лучше всего использовать при обнаружении объектов для распознавания таких узоров, как края (вертикальные / горизонтальные), формы, цвета и текстуры.
Также необходимо знать, какая модель лучше всего подходит для обнаружения объектов?
Лучшие предварительно обученные модели для обнаружения объектов в машинном обучении
R-CNN. R-CNN использует метод выборочного поиска, чтобы найти области для обнаружения объектов после прохождения через сверточные сети. Resnet50. Resnet50 — это глубокая остаточная нейронная сеть, которая также может использоваться для обнаружения объектов. FPN. Retinanet. Yolo V3 / V2. Более быстрый R-CNN. SSD. Заключительные слова. Как вы оцениваете обнаружение объектов?
При обнаружении объектов оценка нетривиальна, потому что необходимо измерить две различные задачи:
Определение наличия объекта на изображении (классификация) Определение местоположения объекта (локализация, задача регрессии).