yolo目标检测图片上的数字是啥，mtcnn和yolov3和ssd等目标检测算法各有甚么特点或优势
各位老铁们，大家好，今天由我来为大家分享yolo目标检测图片上的数字是啥，和mtcnn和yolov3和ssd等目标检测算法各有甚么特点或优势的相关问题知识，希望对大家有所帮助。如果可以帮助到大家，还望关注收藏下本站，您的支持是我们最大的动力，谢谢大家了哈，下面我们开始吧！
本文目录
- yolo是如何知道目标中心的
- mtcnn和yolov3和ssd等目标检测算法各有甚么特点或优势
yolo是如何知道目标中心的
通过在原始图象打网格的方式，然后通过监督样本来统计中心落入网格的情况，最后训练学习，得到模型。
mtcnn和yolov3和ssd等目标检测算法各有甚么特点或优势
MTCNN算法是多任务级联卷积神经网络，用于人脸检测和人脸对齐，它是一种级联结构，类似Adaboost算法，主要包括三个子网络：一个是P-Net网络，主要取得人脸区域的候选窗口和边界框的回归向量，并用该回归向量对候选窗口进行校准，然后通过非极大值抑制来合并高度堆叠的候选框；第二个子网络是R-Net网络，也是只做检测和边界框回归两个任务；最后一个子网络是O-Net网络，对前面的候选框做进一步的挑选，回归边界框，同时在每一个边界框上计算特点点的位置。而且，MTCNN一种多尺度网络结构，在输入图象数据前，先构建图象金字塔，取得区别尺度的图象再送入P-Net网络。
SSD算法是one-stage、端到真个目标检测算法，主要思路是在图片的区别位置进行密集采样，采取区别的尺度比和长宽比，利用卷积神经网络结构提取特点进行分类和回归，其优势是速度不错。SSD提取区别尺度的特点图来做检测，前面的大尺度特点图用于检测小目标，后面的小尺度特点图用于检测大目标，采取VGG16作为基础模型。
yolo目标检测算法的基本思想是利用CNN对输入图象提取特点，将输入图象划分成S×S个单元格，如果某个物体的中心位置落入其中一个单元格，那末由该单元格负责检测这个目标。YOLOV3在之前yolo结构的基础上，采取多个尺度融会的方式做预测，加强对小目标检测的精确度。基础分类网络类似ResNet残差网络，分类任务用Logistic取代了softmax，并利用9种尺度的先验框，可以很好的检测大目标和小目标。
MTCNN是专门用于检测人脸的目标检测算法，而yolo和SSD算法是通用的目标检测算法。通用的目标检测算法还有另外一种类型，就是twostage的网络模型，先利用一些算法产生候选区域，然后再对候选区域进行分类和回归，这类典型的算法有R-CNN算法、FastR-CNN算法和FasterR-CNN算法、FPN算法等。这些算法我也是正在学习，感兴趣的加关注，一起交换讨论!
关于yolo目标检测图片上的数字是啥和mtcnn和yolov3和ssd等目标检测算法各有甚么特点或优势的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。
TikTok账号购买平台：https://tk.huanp.com/
