前一篇物件侦测(4)停在 YOLOv1 的缺点上,现在就要来说 YOLOv2了!
YOLOv2 的论文全名为 YOLO9000:Better , Faster , Stronger
这篇文章其实包含两个模型:YOLOv2 和 YOLO9000,不过後者是在前者基础上提出的,两者模型主体结构是一致的。
所以我们就来了解 YOLOv2 在干嘛吧!
YOLOv2 改善了 YOLOv1 在侦测精确度上的缺点,在变更快速的同时也达到对小物件侦测有着更高的精确度。
可以看到 YOLOv2 相比 YOLOv1 的改进策略~
那它是怎麽做到提升定位的准确度的同时又保持分类的准确度呢?
最主要是 YOLOv2 引入了 Faster RCNN 中的 anchor box
技术!
如果不太清楚或是有点忘记 Fast RCNN的概念和运行,可以参考之前介绍的这篇:物件侦测(3) 复习一下!
除了上面的改进,也使用了 Batch Normalization
,在 YOLOv2 中,每个卷积层後面都添加了 Batch Normalization 层,并且不再使用 dropout。
使用 Batch Normalization 後,YOLOv2 的 mAP 提升了 2.4 %。
Batch Normalization:是一个可以提升模型收敛速度,而且可以起到一定正则化效果,降低模型的过拟合的技术。
mAP:m 代表 mean,AP 是 Average Precision 的缩写,是用来评估物体识别模型效能表现的指标。
一样重要的还有用了 High Resolution Classifier
,目前大部分的检测模型都会在先在 ImageNet 分类资料集上预训练模型的主体部分,分类模型基本采用大小是 224 x 224,在分类模型预训练後,将解析度增加至 448 x 448,让影像辨识更为精准!
<<: Day 24 ATT&CK for ICS - Lateral Movement(2)
>>: [DAY24] Boxenn Use Case 的 error handle
EventChannel EventChannel:用於接收一系列讯息,这些讯息被包装到 Strea...
【前言】 嗨嗨大家好,今天的主题延续昨天的检测是否已经安装插件後,紧接着而来的是 MetaMask...
1.Router Router负责分配工作 後端路由 全部的页面传递(同大专) 前端路由 #模拟路径...
今天来把昨天的搜寻结果给显示出来,并让使用者选择要去哪个看板。显示的部分我想使用PopupWindo...
What is MVC? 先招唤 wiki 大大出来解释一下 MVC 是甚麽: MVC模式(Mode...