چرا SSD سریعتر از RCNN سریعتر است؟
چرا SSD سریعتر از RCNN سریعتر است؟

تصویری: چرا SSD سریعتر از RCNN سریعتر است؟

تصویری: چرا SSD سریعتر از RCNN سریعتر است؟
تصویری: تشخیص شی بهترین مدل / بهترین الگوریتم در سال 2023 | YOLO در مقابل SSD در مقابل پایتون مقایسه سریعتر-RCNN 2024, آوریل
Anonim

SSD یک شبکه کانولوشنال را روی تصویر ورودی فقط یک بار اجرا می کند و یک نقشه ویژگی را محاسبه می کند. SSD همچنین از جعبه های لنگر با نسبت های مختلف مشابه استفاده می کند سریعتر - RCNN و افست را بیشتر یاد می گیرد نسبت به. تا یادگیری جعبه برای رسیدگی به ترازو، SSD جعبه های محدود کننده را بعد از چندین لایه کانولوشن پیش بینی می کند.

همچنین، RCNN سریعتر چیست؟

RCNN سریعتر یک معماری تشخیص شی است که توسط Ross Girshick، Shaoqing Ren، Kaiming He و Jian Sun در سال 2015 ارائه شده است و یکی از معماری های معروف تشخیص شی است که از شبکه های عصبی کانولوشن مانند YOLO (You Look Only Once) و SSD (Single Shot Detector) استفاده می کند..

به همین ترتیب، چرا RCNN سریعتر است؟ دلیل " R-CNN سریع " است سریعتر نسبت به. تا R-CNN به این دلیل است که شما مجبور نیستید هر بار 2000 پیشنهاد منطقه را به شبکه عصبی کانولوشن تغذیه کنید. در عوض، عملیات کانولوشن تنها یک بار در هر تصویر انجام می شود و یک نقشه ویژگی از آن تولید می شود.

بنابراین، چرا SSD سریعتر از Yolo است؟

در مقایسه با پنجره‌های کشویی و روش‌های پیشنهادی منطقه، بسیار هستند سریعتر و بنابراین برای تشخیص اشیا در زمان واقعی مناسب است. SSD (که از نقشه های ویژگی کانولوشن چند مقیاسی در بالای شبکه به جای لایه های کاملاً متصل استفاده می کند. یولو می کند) است سریعتر و دقیق تر از YOLO.

سرعت یولو چقدر است؟

سریعترین معماری از یولو قادر به دستیابی به 45 FPS و نسخه کوچکتر، Tiny- یولو ، تا 244 FPS (Tiny YOLOv2) را در رایانه ای با GPU به دست می آورد.

توصیه شده: