运动目标检测测中，pooling存在什么问题

来源：蜘蛛抓取(WebSpider) 时间：2016-09-24 05:47 标签： ssd 目标检测
南安市2010年四年级数学上学期学习目标检测_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
南安市2010年四年级数学上学期学习目标检测
上传于||暂无简介
阅读已结束，如果下载本文需要使用5下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩3页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢 上传我的文档
 下载
 收藏
我是一名大学生
我的性格偏于内向，为人坦率、热情、讲求原则；处事乐观、专心、细致、头脑清醒；富有责任心、乐于助人
 下载此文档
正在努力加载中...
运动目标检测与跟踪中有关问题的研究
下载积分：1600
内容提示：运动目标检测与跟踪中有关问题的研究
文档格式：PDF|
浏览次数：22|
上传日期： 13:26:15|
文档星级：
该用户还上传了这些文档
运动目标检测与跟踪中有关问题的研究
官方公共微信机器视觉（82）
深度学习（32）
研究DPM大半年了，实验也做过，工程项目也应用过，发现针对复杂背景的对象检测的效果不是很好，而且由于HOG特征提取和多
个部件滤波器的特征提取，造成检测速度很慢，难以用在视频的对象检测上。最近看到了CVPR的一些对象检测的新进展，感觉很有
领悟，趋向于基于深度学习的路线，收集了一些资料，在研究中。
&&& 目标检测就是“给定一张图像或者视频帧，找出其中所有目标的位置，并给出每个目标的具体类别”。&&&&目标检测对于人来说是再简单不过的任务，但是对于计算机来说，它看到的是一些值为0~255的数组，因而很难直接得到图像中有人或者猫这种高层语义概念，也不清楚目标出现在图像中哪个区域。图像中的目标可能出现在任何位置，目标的形态可能存在各种各样的变化，图像的背景千差万别……，这些因素导致目标检测并不是一个容易解决的任务。&&&&得益于深度学习——主要是卷积神经网络(convolution
neural network: CNN)和候选区域(region proposal)算法，从2014年开始，目标检测取得了巨大的突破。下文主要对基于深度学习的目标检测算法进行剖析和总结，文章分为四个部分：第一部分大体介绍下传统目标检测的流程，第二部分介绍以R-CNN为代表的结合region proposal和CNN分类的目标检测框架(R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN); 第三部分介绍以YOLO为代表的将目标检测转换为回归问题的目标检测框架(YOLO,SSD);第四部分介绍一些可以提高目标检测性能的技巧和方法。&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& & ——————摘自深度学习大讲堂&
<span style="font-family:Microsoft YaH font-size:14 color:#、
& & & Paper: Spatial PyramidPooling in Deep Convolutional&Networks for Visual Recognition
4、《OverFeat:&Integrated&Recognition,&Localization&and&Detection&using&Convolutional&Network&&
8、RCNN&&&SPP-net&&&Fast-RCNN&&&Faster-RCNN
训练测试代码：
<span style="font-family:Microsoft YaH font-size:14 color:#、
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：168488次
积分：3664
积分：3664
排名：第6324名
原创：182篇
转载：163篇
评论：58条
(1)(5)(5)(2)(9)(3)(1)(10)(4)(5)(3)(18)(12)(28)(17)(35)(7)(19)(29)(13)(4)(2)(6)(11)(2)(88)(2)您的位置： &
一种改进的ViBe目标检测算法
优质期刊推荐您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
面向目标检测的稀疏表示方法研究进展.pdf13页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
文档加载中...广告还剩秒
需要金币：100 &&
你可能关注的文档：
··········
··········
报 ２ Ｖｏｌ．４３ Ｎｏ．２ 年 月 ２０１５ ２ ＡＣＴＡＥＬＥＣＴＲＯＮＩＣＡＳＩＮＩＣＡ Ｆｅｂ． ２０１５ 面向目标检测的稀疏表示方法研究进展 ， ， １ ２ １３ １３ 高仕博 ，程咏梅 ，肖利平 ，韦海萍 （ 北京航天自动控制研究所，北京 ； 西北工业大学自动化学院，陕西西安 ； １． １００８５４２． ７１００７２ 宇航智能控制技术国家级重点实验室，北京 ） ３． １００８５４ 摘 要： 目标检测作为图像理解的一个基础而重要的课题深受国内外学者的重视，在军事和民用中具有广泛应 用 应用背景的多样性和复杂性使得传统目标检测算法难以克服复杂背景、噪声干扰、光照变化以及非刚体形变、遮 ． 挡、弱特征、尺度、视角和姿态变化等因素的影响 近些年来发展起来的稀疏表示方法为图像处理及目标检测研究提供 ． 了新的思路，本文概述了稀疏表示基本概念和理论研究进展，综述了稀疏表示方法在目标特征学习、目标分类器和滤 波器设计以及多源信息融合目标检测等目标检测领域中的国内外重要研究进展，并展望了稀疏表示方法在目标检测 领域的发展方向． 关键词： 目标检测；图像处理；稀疏表示；特征 中图分类号： 文献标识码： 文章编号： （ ） ＴＰ３９１保 Ａ ０３７２玻玻保保玻玻埃保担埃勃玻埃常玻蔼玻保 电子学报 ： ： ： ＵＲＬ ｈｔｔｐ／／ｗｗｗ．ｅｊｏｕｒｎａｌ．ｏｒｇ．ｃｎ
ＤＯＩ １０．３９６９／ｊ．ｉｓｓｎ．０３７２玻玻保保玻２０１５．０２．０１８ ＲｅｃｅｎｔＡｄｖａｎｃｅｓｏｆＳｐａｒｓｅＲｅｐｒｅｓｅｎｔａｔｉｏｎｆｏｒＯｂｊｅｃｔＤｅｔｅｃｔｉｏｎ ， ， １ ２ １３ １３ ， ， ， ＧＡＯＳ
正在加载中，请稍后...

我要回帖

更多关于 ssd 目标检测 的文章

 

随机推荐