YOLO系列

文章目录

  • YOLO v1(2016.5)
    • Conclusion

YOLO v1(2016.5)

hh
我们提出了一种新的目标检测方法YOLO,将目标检测框架视为空间分离边界框和相关类概率的回归问题。单个神经网络在一次评估中直接从完整图像中预测边界框和类别概率。由于整个检测管道是一个单一的网络,因此可以直接对检测性能进行端到端的优化
大大提升了目标检测的速度
YOLO系列_第1张图片
(1)将输入图像的大小调整为448 × 448,(2)在图像上运行单个卷积网络,(3)通过模型的置信度对结果检测进行阈值

Conclusion

我们表明YOLO可以用于快速R-CNN检测的重分,并减少背景假阳性的误差,从而显着提高性能
我们在两个艺术品数据集上证明了YOLO比其他检测器更好地泛化到新的领域

YOLO是在直接对应于检测性能的损失函数上进行训练的,整个模型是联合训练的。Fast YOLO是最快的通用对象检测器,YOLO推动了最先进的实时对象检测

你可能感兴趣的:(论文反馈,YOLO,深度学习,人工智能)