AI实战：基于深度学习的目标检测算法汇总：SSD、YOLO系列、FPN

前言上一篇文章AI实战基于深度学习的目标检测算法汇总R-CNN系列 (R-CNN、Fast R-CNN、Faster R-CNN)本文继续基于深度学习的目标检测算法汇总SSD、YOLO系列SSDSSD的流程图要点采用多尺度特征图独立检测源码分享A Keras port of Single Shot MultiBox Detector 点击查看SSD in TensorFlow: Traffic Sign Detection and Classification: 点击查看YOLO系列YOLO的流程图要点YOLO 在卷积层之后使用了 DarkNet 来做特征检测。YOLOv2 可以处理不同分辨率的输入图像。YOLOv3 使用了更加复杂的骨干网络来提取特征。DarkNet-53 主要由 3 × 3 和 1× 1 的卷积核以及类似 ResNet 中的跳过连接构成。YOLOv3 还添加了特征金字塔以更好地检测小目标。源码分享keras-yolo3点击查看YOLOv3( tensorflow Implement )点击查看YOLO_tensorflow点击查看yolov2_tensorflow点击查看FPN特征金字塔网络FPN的流程图- 要点FPN 由自下而上和自上而下路径组成。其中自下而上的路径是用于特征提取的常用卷积网络。空间分辨率自下而上地下降。当检测到更高层的结构每层的语义值增加。源码分享Feature Pyramid Networks for Object Detectioncaffe点击查看Pytorch implementation of Feature Pyramid Network (FPN) for Object Detection:点击查看Feature Pyramid Networks for Object Detection:点击查看FastFPN: 点击查看