YOLO与SSD的区别

已于 2023-12-10 15:39:36 修改
阅读量5.9k 收藏 7
点赞数 1
分类专栏： # CV-基础 经历 文章标签： YOLO
于 2020-11-03 00:35:27 首次发布

YOLO

  1. 将物体检测这个问题定义为bounding box和分类置信度的回归问题。

  2. 将整张图像作为输入，划分成SxS grid，每个cell预测B个bounding box（x, y, w, h）及对应的分类置信度（class-specific confidence score）。分类置信度是bounding box是物体的概率及其与真实值IOU相乘的结果。

SSD

  1. 将物体检测这个问题的解空间，抽象为一组预先设定好（尺度，长宽比，1，2，3，1/2，1/3）的bounding box。

  2. 在每个bounding box，预测分类label，以及box offset来更好的框出物体。

  3. 对一张图片，结合多个大小不同的feature map的预测结果，能够处理大小不同的物体。

区别

  1. YOLO在卷积层后接全连接层，即检测时只利用了最高层Feature maps。而SSD采用金字塔结构，即利用了conv4-3/fc7/conv6-2/conv7-2/conv8_2/conv9_2这些大小不同的feature maps，在多个feature maps上同时进行softmax分类和位置回归

  2. SSD还加入了Prior box（先验框）

https://zhuanlan.zhihu.com/p/89200261

计算机视觉目标检测算法对比：R-CNN、YOLO与SSD全面解析
CSDN博客专家，系统架构师，有合作、疑惑请私信博主。
04-21 11万+
计算机视觉目标检测算法对比：R-CNN、YOLO与SSD全面解析，人工智能、AI、计算机视觉领域中，目标检测是一项至关重要的任务，其旨在识别图像或视频中感兴趣的目标物体，并确定它们的位置。从安防监控中的人员检测，到自动驾驶中的行人、车辆识别，目标检测技术都有着广泛的应用。在众多目标检测算法中，R-CNN、YOLO 和 SSD 具有代表性，它们各自有着独特的设计理念和技术路线，在不同场景下展现出不同的性能表现。本文将深入剖析这三种算法，通过原理阐述、性能对比以及代码示例，帮助读者全面理解它们的特点与差异。
目标检测原理与实践:RCNNSSDYOLO演进历程
AI天才研究院
05-14 1096
1. 背景介绍 1.1 计算机视觉领域概述 计算机视觉是人工智能的一个重要分支，其目标是使计算机能够“看到”和理解图像，如同人类视觉系统一样。目标检测作为计算机视觉中的一个核心任务，旨在从图像或视频中识别出特定目标的位置和类别。近年来，随着深度学习技术的快速发展，目标检测技术取得了显著的进步，并在
SSD简述
qq_28778507的博客
12-10 1394
SSD也是one stage的检测。one stage的特点是：均匀的在图片的不同位置进行密集抽样，抽样采用不同的尺寸和长宽比，然后利用CNN提取特征之后，直接进行回归和分类。整个过程只有一步。它的优势是速度快，但是密集采样会导致正负样本（前景和背景）及其不均衡，使得模型准确度较低。下面来看看two stage和one stage在mAP和speed上的差异。 SSD采用CNN直接进行检测。不像...
目标检测算法——YOLO与SSD解析
tigerlib的博客
09-30 9530
文章目录1 YOLO(you only look once)算法1.1 YOLO整体结构1.2 网格(grid)——`7*7*30`1.2.1 单元格(grid cell)1.2.2 网格输出筛选1.3 非最大抑制(NMS)1.4 YOLO训练1.5 与Faster R-CNN比较2 SSD(Single Shot MultiBox Detector)算法2.1 SSD简介2.2 SSD结构2.3...
卷积神经网络（CNN）、YOLO和人脸识别之间的关系
最新发布
qq_63041110的博客
06-03 635
YOLO是人脸定位器，CNN是特征提取器快速找到人脸（YOLO）精准分析特征（CNN）准确识别身份（识别系统）
YOLOv1、YOLOv2、 YOLOv3、SSD DSSD 单阶段目标检测论文
10-11
YOLO是Joseph Redmon和Ali Farhadi等人于2015年提出的第一个基于单个神经网络的目标检测系统。Joseph Redmon和Ali Farhadi发表的YOLO 2进一步提高了检测的精度和速度。
yolov3与SSD区别
u010848594的博客
05-29 2915
参考自 https://github.com/lufficc/SSD https://github.com/eriklindernoren/PyTorch-YOLOv3 https://blog.csdn.net/BlowfishKing/article/details/80485006 https://zhuanlan.zhihu.com/p/63630903 1.对于特征的混合 首先看SSD的模型 class SSDDetector(nn.Module): def __init__(self,
【计算机视觉】目标检测中Faster R-CNN、R-FCN、YOLO、SSD等算法的讲解（图文解释 超详细必看）
showswoller的博客
12-08 3570
【计算机视觉】目标检测中Faster R-CNN、R-FCN、YOLO、SSD等算法的讲解（图文解释 超详细必看）
YOLO vs SSD
weixin_43856821的博客
06-09 5802
R-CNN等一系列算法。主要思路是首先通过启发式方法（selective search）或者CNN网络（RPN）产生一系列稀疏的候选框，然后对这些候选框进行分类与回归。特点是准确度高。如YOLO和SSD。主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，之后利用CNN提取特征后进行分类与回归。特点是速度快，但是均匀地密集采样的一个缺陷在于正样本（分类目标）和负样本（背景）不均衡，导致模型准确率低（参见Kaiming的Focal Loss）。  SSD的全称为Single Shot
极速对决：YOLO与SSD的检测界较量
08-04
"YOLO" 是 "You Only Look Once" 的缩写，它是一种流行的实时物体检测算法。YOLO 算法的特点是它将物体检测任务视为一个单一的回归问题，直接从图像像素到边界框坐标和类别概率的映射。这种算法的设计允许它在保持高...
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
3. 基于深度学习的回归方法，如 YOLO、SSD、DenseBox 等 三、候选区域/窗 + 深度学习分类 候选区域/窗 + 深度学习分类是目标检测算法的一种，通过提取候选区域，并对相应区域进行以深度学习方法为主的分类的方案。...
深度学习目标检测：RCNN，Fast，Faster，YOLO，SSD比较
热门推荐
ikerpeng
01-10 4万+
这篇博文很简单，我就画了一个图，将各自的要点进行比较说明。相信这样看过去就一目了然了，但是需要说明的还是： YOLO可能不应该放在这里，但是为了和SSD进行比较还是放了。另外，YOLO出了第二版本了，所以放在这边也没有问题。iker Peng2017年1月10日
ssd yolo faster rcnn 对比
01-23
目标检测算法的介绍 In recent years, Convolutional Neural Network (CNN) has been widely applied in computer vision tasks and has achieved significant improvement in image object detection. The CNN methods consume more computation as well as storage, so GPU is introduced for real-time object detection. However, due to the high power consumption of GPU, it is difficult to adopt GPU in mobile applications like automatic driving. The previous work proposes some optimizing techniques to lower the power consumption of object detection on mobile GPU or FPGA. In the first Low-Power Image Recognition Challenge (LPIRC), our system achieved the best result with mAP/Energy on mobile GPU platforms. We further research the acceleration of detection algorithms and implement two more systems for real-time detection on FPGA with higher energy efficiency. In this paper, we will introduce the object detection algorithms and summarize the optimizing techniques in three of our previous energy efficient detection systems on different hardware platforms for object detection.
基于图像的目标检测算法YOLO 和 SSD 的区别是什么？
changjuanfang的专栏
05-17 5379
YOLO：YOLO将输入图像划分为SxS个网格，并为每个网格预测B个边界框，以及每个边界框的物体类别和置信度。在每个特征图单元上，SSD预测边界框的相对偏移量和尺寸，并结合先验框的坐标和尺寸计算真实的边界框。然而，由于其使用多尺度特征图和较多的默认框，SSD在计算上可能比YOLO更昂贵。- SSD：SSD可以更好地检测各种大小的物体，因为它利用多尺度特征图来预测边界框。- YOLO：YOLO对小物体的检测性能较差，因为使用单一尺度的特征图限制了其捕捉不同大小物体的能力。
【目标检测】YOLO和SSD的区别
学无止境、积少成多、厚积薄发
09-07 7443
https://zhuanlan.zhihu.com/p/89200261
实战深度学习目标检测：RCNN （5）
leva的博客
08-14 406
深度学习目标检测：SSD SSD: Single Shot MultiBox Detector 目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型（参考RefineDet）： （1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者 CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高； （2）one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置
yolov3和ssd的区别
weixin_30371875的博客
09-25 293
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。 ...
【计算机视觉】SSD和YOLO的区别
littlemichelle
03-16 1万+
从0到1 实现YOLO v3 （Part one） yolo-v3和SSD的一些对比
R-CNN，SSD，YOLO算法简单对比
qq_37431083的博客
04-20 6075
文章目录1.R-CNN1.1 R-CNN1.2 Fast R-CNN1.3 Faster R-CNN1.4 Mask R-CNN2.SSD3.YOLO 1.R-CNN 1.1 R-CNN 使用传统的锚框(提议区域)选择算法–[选择性搜索算法] (https://blog.csdn.net/weixin_43694096/article/details/121610856) 选取高质量锚框。 对每一个锚框使用预训练模型对其提取特征，每个锚框需要调整为预训练模型所需要的输入尺寸。 使用支持向量机(SVM)对
YOLO与ssd结构图
03-18
### YOLO与SSD结构图对比分析 #### YOLO的结构特点 YOLO（You Only Look Once）是一种单阶段目标检测算法，其核心思想是将整个图像划分为S×S的网格，并预测每个网格单元中的边界框及其类别概率。YOLO通过单一神经...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值