Las dos técnicas populares de detección de objetos a partir de 2017 serían
- Detector SingleBox MultiBox (58 FPS y 72.1% mAP)
- Mejor, más rápido, más fuerte (Yolov2 – 67 FPS y 76.8% mAP). La versión anterior yolov1 también podía ejecutarse en tiempo real y detectar múltiples clases, pero tenía una precisión menor.
Ambos son muy populares. Para el vehículo autónomo en el que estamos trabajando, utilizamos Yolov1 para la detección y el seguimiento de objetos. Teniendo en cuenta que Yolov1 era lo suficientemente bueno, yolov2 sería un candidato fuerte, sin duda.
SSD Multibox es un enfoque popular también, pero no lo he usado yo mismo. Puede encontrar artículos medianos sobre personas que usan SSD para sus proyectos. Sin embargo, ambos son fuertes contendientes.
- ¿El aprendizaje automático conducirá a la mercantilización del conocimiento?
- ¿Cuáles son las características importantes para el análisis de sentimientos basado en aspectos en el enfoque de aprendizaje automático? ¿Qué algoritmos se pueden usar para extraer estas características?
- ¿Es posible el aprendizaje automático acelerado por GPU utilizando un controlador de gráficos de software libre?
- ¿Qué es el proceso de procesamiento del lenguaje natural?
- ¿Cuáles son los algoritmos utilizados en los sistemas de preguntas y respuestas en PNL?
Las implementaciones de Mulitple TensorFlow y Keras están disponibles en Github.
- balancap / SSD-Tensorflow
- thtrieu / darkflow
