模型
|
实时性
|
优点
|
缺点
|
OverFeat
|
否
|
最早使用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高
|
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
|
定位精度更高
|
模型复杂,计算最大
|
Mask R-CNN
|
较差
|
实例分割准确、检测精度更高
|
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,检测准确度获得高
|
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
|
|