深度学习之目标检测常用算法原理+实践精讲 YOLO / Faster RCNN / SSD / 文本检测 / 多任务网络

深度学习之目标检测常用算法原理+实践精讲 YOLO / Faster RCNN / SSD / 文本检测 / 多任务网络

资源获取链接：点击这里

  • 第1章 课程介绍

    本章节主要介绍课程的主要内容、核心知识点、课程涉及到的应用案例、深度学习算法设计通用流程、适应人群、学习本门课程的前置条件、学习后达到的效果等，帮助大家从整体上了解本门课程的整体脉络。

    • 1-1 课程导学
  • 第2章 目标检测算法基础介绍

    本章节主要介绍目标检测算法的基本概念、传统的目标检测算法、目前深度学习目标检测主流方法（one-stage、two-stage、多任务网络）、相关算法的基本流程、算法性能的评价指标、不同算法的优缺点和性能比较等，并结合实际的应用场景和案例来介绍目标检测算法的重要性和实用性。...

    • 2-1 目标检测问题定义
    • 2-2 目标检测问题方法
    • 2-3 传统目标检测方法基本流程
    • 2-4 常见传统目标检测方法-Viola-Jones（人脸检测）
    • 2-5 常见传统目标检测方法-HOG+SVM（行人检测、Opencv）
    • 2-6 常见传统目标检测方法-DPM（物体检测）
    • 2-7 常见传统目标检测方法-Sofe-NMS（非极大值抑制算法）
    • 2-8 Two-stage基本介绍，流程与常见算法
    • 2-9 Two-stage核心组件
    • 2-10 One-stage基本介绍、流程与常见算法
    • 2-11 One-stage核心组件
    • 2-12 One-stage与Two-stage优缺点对比
    • 2-13 思考题
  • 第3章 SSD系列算法原理精讲

    本章节主要针对SSD系列目标检测算法原理进行介绍，其中涉及到了one-stage目标检测算法流程，SSD及其变种网络（DSSD、DSOD、FSSD、RSSD等）的核心思想、主干网络设计思想、框架结构、Default box、Prior box、样本构造、数据增强、损失函数，对比不同算法优缺点以及介绍算法应用场景等。...

    • 3-1 SSD系列算法介绍（主干网络、多尺度Feature Map预测）
    • 3-2 Prior Box Layer、样本构造、损失函数介绍
    • 3-3 DSSD、DSOD算法
    • 3-4 FSSD、RSSD算法
    • 3-5 思考题
  • 第4章 基于SSD的人脸检测项目实战

    本章节以人脸检测实际业务场景为例，利用SSD来解决人脸检测问题，涉及到了Wider Face数据集介绍、VOC数据集格式、打包、SSD框架解读、环境搭建、SSD-Face人脸检测模型训练、测试等内容，帮助大家从实际案例的角度出发，快速入门SSD算法框架的实战项目。...

    • 4-1 人脸业务场景介绍（常见问题、标注方法、算法性能好坏、人脸采集常用方法）
    • 4-2 Wider Face数据集介绍、标注格式、下载等
    • 4-3 Wider Face数据集介绍
    • 4-4 Wider Face数据集转VOC格式数据集编程实现
    • 4-5 使用Caffe-SSD打包Wider Face为LMDB格式样本实操
    • 4-6 Caffe-SSD框架搭建及训练脚本解读
    • 4-7 Caffe-SSD人脸检测模型训练实操讲解
    • 4-8 Caffe-SSD框架主干网络脚本讲解+实操
    • 4-9 Caffe-SSD框架训练脚本讲解+实操
    • 4-10 Caffe-SSD框架模型测试介绍与脚本编程实现
    • 4-11 Caffe-SSD框架测试结果可视化与人脸检测技巧说明
    • 4-12 思考题
  • 第5章 Faster RCNN系列算法原理精讲

    本章节主要针对Faster RCNN系列目标检测算法原理进行介绍，其中涉及到了two-stage目标检测算法流程、从RCNN到Faster RCNN以及Faster RCNN的系列变种网络（HyperNet、RFCN、Light-Head RCNN、Mask-RCNN、Cascade RCNN、CoupleNet）的核心思想、主干网络设计思想、框架结构、RPN网络、OHEM、Soft-NMS等，对比不同算法优...

    • 5-1 Faseter-Rcnn系列介绍
    • 5-2 RCNN介绍
    • 5-3 SPPNet介绍
    • 5-4 Fast rcnn介绍
    • 5-5 HyperNet、RFCN介绍
    • 5-6 Light-Head RCNN、Mask-RCNN介绍
    • 5-7 Cascade RCNN、CoupleNet、OHEM、Soft-NMS介绍
    • 5-8 思考题
  • 第6章 基于Faster RCNN的ADAS场景目标检测项目实战

    本章节以ADAS实际业务场景为例，利用Faster RCNN来解决机动车、非机动车、行人等驾驶场景中的目标检测问题，涉及到Kitti数据集介绍、VOC格式数据转换、Faster rcnn框架解读、环境搭建、Faster rcnn-ADAS目标检测模型训练、测试等内容，帮助大家从实战的角度快速掌握Faster RCNN系列算法框架的使用。...

    • 6-1 ADAS业务场景介绍
    • 6-2 Kitti数据集介绍、标注格式、下载等
    • 6-3 Kitti数据集类别提取编程实现
    • 6-4 Kitti数据集转VOC格式数据脚本编程实现
    • 6-5 Faster RCNN目标检测模型环境搭建介绍
    • 6-6 Faster RCNN目标检测环境搭建实操
    • 6-7 Faster RCNN目标检测框架介绍
    • 6-8 Faster RCNN目标检测框架训练脚本参数配置介绍
    • 6-9 Faster RCNN目标检测框架配置修改实操
    • 6-10 Faster RCNN目标检测模型训练及其优化
    • 6-11 利用Faster RCNN测试脚本进行模型测试
    • 6-12 自己动手编程实现Faster RCNN模型测试脚本
    • 6-13 思考题
  • 第7章 YOLO系列算法原理精讲

    本章节主要针对YOLO系列目标检测算法原理进行介绍，其中涉及到了算法基本流程、主干网络结构、设计思路、YOLOV1/V2/V3/9000、Anchor Boxes、Multi-Scale Training、Darknet-19网络、Darknet框架等，对比不同算法优缺点和模型性能等。

    • 7-1 Yolov1算法
    • 7-2 Yolov2算法（1）
    • 7-3 Yolov2算法（2）
    • 7-4 Yolo9000算法
    • 7-5 Yolov3算法
    • 7-6 思考题
  • 第8章 基于YOLOV3的通用物体检测项目实战

    本章节以通用物体检测（coco）实际业务场景为例，利用YOLOV3来解决通用物体检测问题，涉及到coco数据集介绍、darknet框架解读，环境搭建、YOLOV3-coco通用物体检测模型训练、测试等内容，帮助大家了解理论的前提下，快速入门YOLO系列算法实战项目。...

    • 8-1 物体检测业务场景综述
    • 8-2 COCO数据集介绍、标注格式、下载脚本等
    • 8-3 YOLOV3DarkNet框架介绍和环境搭建
    • 8-4 DarkNet框架解读及相关配置说明
    • 8-5 利用DarkNet框架进行YOLOV3模型训练实操
    • 8-6 YoloV3检测模型的测试介绍及编程实例
    • 8-7 思考题
  • 第9章 文本检测系列算法原理精讲

    本章节主要针对文本检测系列算法原理进行介绍，其中涉及到了算法基本流程、传统的文本检测算法（Top-down、bottom-up）、物体检测算法VS文本检测算法、文本检测算法优化方向、常用文本检测算法模型（CTPN、RRPN、FTSN、DMPNet、EAST、SegLink、Pixel Link、Textboxes、Textboxes++等）、文本检测数据集（ICDAR、CTW、RCTW-...

    • 9-1 文本检测算法原理介绍
    • 9-2 CTPN模型
    • 9-3 RRPN模型
    • 9-4 FTSN模型
    • 9-5 DMPNet模型
    • 9-6 EAST模型
    • 9-7 SegLink模型
    • 9-8 PixelLink模型
    • 9-9 Textboxes讲解
    • 9-10 Textboxes++模型介绍
    • 9-11 文本检测常见数据集
    • 9-12 其他检测模型方法介绍
    • 9-13 思考题
  • 第10章 基于EAST的自然场景文本检测项目实战

    本章节以自然场景下的文本检测实际业务场景为例，利用EAST框架来解决文本检测问题，涉及到ICDAR数据集介绍、ICDAR数据下载、标注格式解读、EAST框架解读、环境搭建、模型训练、测试等，帮助大家从实际案例的角度出发，快速入门文本检测算法框架的实战项目。...

    • 10-1 自然场景下文本检测业务场景综述
    • 10-2 ICDAR数据集介绍、标注格式、下载等
    • 10-3 EAST文本检测框架环境搭建
    • 10-4 EAST文本检测框架解读与训练实操
    • 10-5 EAST文本检测模型测试脚本编程实例
    • 10-6 思考题
  • 第11章 多任务网络原理介绍

    本章节主要针对文本检测系列算法原理进行介绍，其中涉及到了算法基本流程、传统的文本检测算法（Top-down、bottom-up）、物体检测算法VS文本检测算法、文本检测算法优化方向、常用文本检测算法模型（CTPN、RRPN、FTSN、DMPNet、EAST、SegLink、Pixel Link、Textboxes、Textboxes++等）、文本检测数据集（ICDAR、CTW、RCTW-...

  • 第12章 基于人脸检测+关键点定位的多任务网络项目实战

    本章节以人脸检测+关键点定位的实际业务场景为例，利用MTCNN多任务网络来解决多个任务的数据打包、环境搭建、模型训练、测试等实战项目，帮助大家从实际案例的角度出发，快速入门多任务网络的实战项目。

  • 第13章 课程总结

    针对课程进行最后总结，回顾课程核心内容，分享目标检测行业实战经验，再次帮助大家理清学习内容进一步的给出后续学习和提升给出建设性意见。

    资源获取链接：点击这里

原文地址：https://www.cnblogs.com/ziyuanpuzi/p/10176524.html

时间： 2024-10-12 15:36:40

深度学习之目标检测常用算法原理+实践精讲 YOLO / Faster RCNN / SSD / 文本检测 / 多任务网络的相关文章

深度学习之目标检测常用算法原理+实践精讲

第1章 课程介绍本章节主要介绍课程的主要内容.核心知识点.课程涉及到的应用案例.深度学习算法设计通用流程.适应人群.学习本门课程的前置条件.学习后达到的效果等,帮助大家从整体上了解本门课程的整体脉络. 第2章 目标检测算法基础介绍本章节主要介绍目标检测算法的基本概念.传统的目标检测算法.目前深度学习目标检测主流方法(one-stage.two-stage.多任务网络).相关算法的基本流程.算法性能的评价指标.不同算法的优缺点和性能比较等,并结合实际的应用场景和案例来介绍目标检测算法的重要性和实用

4. 基于深度学习的目标检测算法的综述(转)

4. 基于深度学习的目标检测算法的综述(转) 原文链接:https://www.cnblogs.com/zyly/p/9250195.html 目录 一 相关研究 1.选择性搜索(Selective Search) 2.OverFeat 二.基于区域提名的方法 1.R-CNN 2.SPP-Net 3.Fast R-CNN 4.Faster R-CNN 5.R-FCN 三 端对端的方法 1.YOLO 2.SSD 四 总结 在前面几节中,我们已经介绍了什么是目标检测,以及如何进行目标检测,还提及了滑

第二十八节、基于深度学习的目标检测算法的综述

在前面几节中,我们已经介绍了什么是目标检测,以及如何进行目标检测,还提及了滑动窗口,bounding box.以及IOU,非极大值抑制等概念. 这里将会综述一下当前目标检测的研究成果,并对几个经典的目标检测算法进行概述,本文内容来自基于深度学习的目标检测,在后面几节里,会具体讲解每一种方法. 在深度度学习的目标检测算法兴起之前,传统的目标检测算法是怎样的呢? 传统的目标检测一般使用滑动窗口的框架,主要包括三个步骤: 利用不同尺寸的滑动窗口框住图中的某一部分作为候选区域: 提取候选区域相关的视觉特

基于深度学习的目标检测

普通的深度学习监督算法主要是用来做分类,如图1(1)所示,分类的目标是要识别出图中所示是一只猫.而在ILSVRC(ImageNet Large Scale Visual Recognition Challenge)竞赛以及实际的应用中,还包括目标定位和目标检测等任务.其中目标定位是不仅仅要识别出来是什么物体(即分类),而且还要预测物体的位置,位置一般用边框(bounding box)标记,如图1(2)所示.而目标检测实质是多目标的定位,即要在图片中定位多个目标物体,包括分类和定位.比如对图1(3

基于深度学习的目标检测研究进展

前言 开始本文内容之前,我们先来看一下上边左侧的这张图,从图中你看到了什么物体?他们在什么位置?这还不简单,图中有一个猫和一个人,具体的位置就是上图右侧图像两个边框(bounding-box)所在的位置.其实刚刚的这个过程就是目标检测,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

目标检测梳理：基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN(转)

基于深度学习的目标检测技术演进:R-CNN.Fast R-CNN.Faster R-CNN(转) 原文链接:https://www.cnblogs.com/skyfsm/p/6806246.html object detection我的理解,就是在给定的图片中精确找到物体所在位置,并标注出物体的类别.object detection要解决的问题就是物体在哪里,是什么这整个流程的问题.然而,这个问题可不是那么容易解决的,物体的尺寸变化范围很大,摆放物体的角度,姿态不定,而且可以出现在图片的任何地方

（转） 深度学习在目标跟踪中的应用

深度学习在目标跟踪中的应用 原创 2016-09-05 徐霞清 深度学习大讲堂 点击上方“深度学习大讲堂”可订阅哦!深度学习大讲堂是高质量原创内容的平台,邀请学术界.工业界一线专家撰稿,致力于推送人工智能与深度学习最新技术.产品和活动信息! 开始本文之前,我们首先看上方给出的3张图片,它们分别是同一个视频的第1,40,80帧.在第1帧给出一个跑步者的边框(bounding-box)之后,后续的第40帧,80帧,bounding-box依然准确圈出了同一个跑步者.以上展示的其实就是目标跟踪(vis

专家观点碰撞：深度学习能否取代其他机器学习算法

专家观点碰撞:深度学习能否取代其他机器学习算法 摘要:深度学习在最近两年非常火爆,但深度学习能否取代其他机器学习算法?纽约大学研究生Ran Bi根据Quora上的一个讨论总结了不同的观点,CSDN编辑将其翻译如下,并加上一些国内人工智能专家的观点,供大家参考. [编者按]深度学习在最近两年非常火爆,但深度学习能否取代其他机器学习算法?纽约大学研究生Ran Bi根据Quora上的一个讨论总结了不同的观点,CSDN编辑将其翻译如下,并加上一些国内人工智能专家的观点,供大家参考. 深度学习迅速地成长起

深度学习能否取代其他机器学习算法

[编者按]深度学习在最近两年非常火爆,但深度学习能否取代其他机器学习算法?纽约大学研究生Ran Bi根据Quora上的一个讨论总结了不同的观点,CSDN编辑将其翻译如下,并加上一些国内人工智能专家的观点,供大家参考. 深度学习迅速地成长起来了,并且以其疯狂的实证结果着实令我们惊奇.Quora上有一个关于深度学习是否会让其他的机器学习算法过时的讨论.特别地,相关的算法,如反向传播.HMM会像感知机一样过时吗? 这很难回答.Google DeepMind研发工程师Jack Rae对此有一个有趣的回答