[物件偵測] S6: SSD 簡介
前言 在two-stage模型中，雖然發展到了Faster R-CNN利用兩個網路來進行物件偵測已經相當成熟，但是網路的架構龐大、構造複雜，運算時間也是難以達到真正的real-time運用。而SSD作為一個在2016年發表的相當經典的one-stage模型，一樣透過一個一條龍的完成物件的分類和定位。他用的方法也是...
最新文章
[物件偵測] S5: YOLO v2 簡介
前言 YOLO v1 用非常直覺的方式設計了網路的運作，讓網路從輸出到輸入直接給出分類的機率與邊界框的位置，而且速度遠遠比two stage的模型要快得多。不過準確度卻還差強人意。因此YOLO v2這次參考了Faster R-CNN中anchor的概念而做了改進，也對feature map的使用做了改善。這次我們...
Mask R-CNN for Cookies Detection and Segmentation
這篇是對 Mask R-CNN 的應用—餅乾辨識器，辨識樂事和多利多滋兩種餅乾的包裝。因為還沒時間換成中文，就直接貼 github 的 README.md 過來先頂一下。
[物件偵測] S4: YOLO v1 簡介
前言 在前面我們曾提過物件辨識現在有one-stage和two-stage兩大類的方法。之前介紹過的R-CNN系列都是屬於two-stage的方法，因為他們都需要先得到region proposal才能對物體進行定位，進而辨別。然而這樣的方法總歸因為多了一層處理proposals的結構，雖然辨識效果很好，但是往往...
[物件偵測] S3: Faster R-CNN 簡介
前言 前一篇我們提到了Fast R-CNN的改進，包括了減少冗贅的特徵提取動作，將ROI映射到feature maps上，並用ROI pooling 統一維度等等。但是為了迎來更快的偵測速度，在Proposals上的處理也需要納入整個模式的NN之中，一起用convolution來解決。 於是Faster R-CN...