当前位置：首页 > 机器人开发 > 基于深度学习目标检测模型优缺点对比

基于深度学习目标检测模型优缺点对比

来源：智东西    时间：2020/6/1

模型 实时性 优点 缺点 OverFeat 否 早使用CNN进行特征提取 图像滑窗，时间、空间开销大 R-CNN 否 确定候选区域,CNN提取特征,SVM分类,性能比传统算法显著提G 对每个候选区域都做特征提取，时间、空间开销大 SPP-Net 否 整张图片提取特征,加快速度;SPP层,避免候选区域归一化 空间开销大 Fast R-CNN 否 同时完成定位和分类，节省空间 候选区域选取方法计算复杂， Faster R-CNN 较差 真正完成端到端训练测试 模型复杂,小目标检测不佳,空间量化粗幢 R-FCN 较差 定位精度更G 模型复杂，计算大 Mask R-CNN 较差 实例分割准确、检测精度更G 实例分割代价昂贵 YOLO 优秀 网络简单,检测速度优异 定位准确度低，小目标、多目标检测效果不佳 SSD 优秀 网络简单，检测准确度获得G 模型难收敛,小目标检测效果不佳 YOLOv2 416 优秀 允许用户在精度和速度之间调整 使用预训练,难迁移 DSOD300 较好 不需要预训练 检测速度 R-SSD 较好 小目标检测效果较好 模型计算复杂，检测速度一般

相关推荐

» 如何更高效地压缩时序数据？基于深度强化学习的探索 » 滴滴机器学习平台调度系统的演进与K8s二次开发 » 人工智能和机器学习之间的差异及其重要性 » 面向动态记忆和学习功能的神经电晶体可塑性研究 » CVPOS自助收银的挑战以及商品识别算法工程落地方法和经验 » 内容流量管理的关键技术：多任务保量优化算法实践 » 百变应用场景下，优酷基于图执行引擎的算法服务框架筑造之路 » 饿了么推荐算法的演进及在线学习实践 » 拯救渣画质，马赛克图秒变高清，杜克大学提出AI新算法 » 如何搭建一个GPU加速的分布式机器学习系统，遇到的问题和解决方法 » ICRA2020论文分享：基于视触融合感知的可形变物体抓取状态评估 » 一种基于层次强化学习的机械手鲁棒操作