📲 オブジェクト検出ネットワークの概要
Feature Extractor Network
VG、RESNET、INCEPTION等通常、ImageNetデータセットに基づく事前トレーニング画像分類 CNN Network Model(backbone) Feature Mapサイズは減少したが、深さは増加した.
の深さが深いほど抽象的になり、コア特性オリジナル画像からキーフィーチャーを抽出するプロセス Object Detection Networkは、通常、Pascal VOC/MS-COCOデータセットに基づいて事前に訓練されたに基づいている.
Feature Mapに基づくオブジェクト検出を実行する.
独立ネットワーク包囲ボックス、対象スケール、分類、FCN、マルチスケールなどの計算 Region Proposalあってもいいしなくてもいい
オブジェクトの位置の計算 selective search 📲 イメージリカバリ、FPS、検出性能相互依存関係
Image Resolution画像解像度(サイズ)が高いほど、検出性能はより高くなる.
FPS(各SecondsのFrame)の削減毎秒処理可能なフレーム数毎秒検出可能なオブジェクトの画像数.
より高い
の画像解像度は、アレイのサイズを大きくし、ナビゲーション速度を低減する.
VOC 2007 YOLO V2
匹のウサギは捕まえきれない! FPSの迅速な需要検出性能低下
* 출처: 인프런 '딥러닝 컴퓨터 비전 완벽 가이드'
Reference
この問題について(オブジェクト検出ネットワークとパフォーマンスの相互依存関係), 我々は、より多くの情報をここで見つけました
https://velog.io/@tataki26/opencv-0qd0rrky
テキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol