随着深度学习算法的迅猛发展，目标检测算法也从服务器端转移到移动端的产品落地。在移动端上的目标检测架构，目前比较流行的三大派系分别为：谷歌出品的MobileNet系列（v1-v3）、旷视科技产品的ShuffleNet系列（v1-v2）、Facebook出品的FBNet（v1-v3）系列。
最近移动端的目标检测通过结合神经网络架构搜索，又新出了三篇移动端目标检测SOTA模型：一篇出自谷歌大牛Quoc V. Le的MixNet；另一篇出自Facebook 出品的FBNet 的升级版本 FBNetV2，就在6月3日，Facebook又推出了FBNetV3。最近一篇重量级论文—MobileDets，可以说是目前移动端目标检测结合NAS的另一新标杆。
下面逐一梳理以上算法，回顾移动端目标检测算法的发展轨迹及其主要思想。
IoU (Intersection over Union)是计算两个区域重叠的程度的一种指标，常用于目标检测中评估预测框和真实框的匹配情况。 IoU可以有以下几种变形：
一、 One-stage目标检测算法 使用CNN卷积特征 直接回归物体的类别概率和位置坐标值（无region proposal） 准确度低，速度相对tw
目录 一、 深度学习目标检测算法介绍 二、 基于Two-stage的目标检测算法 三、Two-stage基本流程 四、Two-stage常见算法 五、Two-sta
目标检测任务是计算机视觉领域最基础的任务之一，目前深度学习方法已经在该领域全面领先于其他技术方案。目标检测任务需要对图像中的物体进行检测，输出有两个，框的位置，以及框的类别，这
1 目标检测问题的定义 ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4
![20191009191333910.png][] [日萌社][Link 1] [人工智能AI：Keras PyTorch MXNet TensorFlow Pa
随着深度学习算法的迅猛发展，目标检测算法也从服务器端转移到移动端的产品落地。在移动端上的目标检测架构，目前比较流行的三大派系分别为：谷歌出品的MobileNet系列（v1-v3
1、 选择性搜索：方法：滑动窗口，规则块（利用约束进行剪枝）、选择性搜索（自底向上合并相邻的重叠区域） 一步步计算相似度 并且合并、剔除相似度的高的 OverFeat: 核心
> Girshick, Ross, et al. “Rich feature hierarchies for accurate object detection and sem
傷城~
心已赠人
Myth丶恋晨
朱雀
还没有评论，来说两句吧...