YOLOv3 还添加了FPN，以更好地检测小目标 (转)

【公开课】最详细YOLOv3经典目标检测算法讲解！

 

 

[YOLOV3]原来yolov3如此的简单！小白都能看得懂的训练教程！！！

 

 

SSD 是使用 VGG19 网络作为特征提取器的单次检测器。

自定义卷积层（蓝色），并使用卷积核（绿色）执行预测

 

Faster R-CNN 中使用的 CNN 作为特征提取器。

 

YOLO  在卷积层之后使用了 DarkNet 来做特征检测。

 它将特征图部分平滑化，并将其和另一个较低分辨率的特征图拼接。例如，YOLO 将一个 28 × 28 × 512 的层重塑为 14 × 14 × 2048，然后将它和 14 × 14 ×1024 的特征图拼接。之后，YOLO 在新的 14 × 14 × 3072 层上应用卷积核进行预测。

 

YOLOv3 使用了更加复杂的骨干网络来提取特征。YOLOv3 还添加了特征金字塔，以更好地检测小目标。

 

FPN 结合 RPN

FPN 结合 Fast R-CNN 或 Faster R-CNN

RetianNet：基于 FPN、ResNet 以及利用 Focal loss 来构建：

 

 

【深度学习】目标检测算法总结（R-CNN、Fast R-CNN、Faster R-CNN、FPN、YOLO、SSD、RetinaNet）