[论文解读] Real Time Object Detection System with YOLO and CNN Models: A Review

V Viswanatha, R K Chandana+1 more|arXiv (Cornell University)|Jul 23, 2022

Brain Tumor Detection and Classification被引用 56

一句话总结

本文综述使用 YOLO 和 CNN 模型的实时目标检测，概述 YOLO 的变体、CNN 特征提取及其在高效目标识别方面的发展。

ABSTRACT

The field of artificial intelligence is built on object detection techniques. YOU ONLY LOOK ONCE (YOLO) algorithm and it's more evolved versions are briefly described in this research survey. This survey is all about YOLO and convolution neural networks (CNN)in the direction of real time object detection.YOLO does generalized object representation more effectively without precision losses than other object detection models.CNN architecture models have the ability to eliminate highlights and identify objects in any given image. When implemented appropriately, CNN models can address issues like deformity diagnosis, creating educational or instructive application, etc. This article reached atnumber of observations and perspective findings through the analysis.Also it provides support for the focused visual information and feature extraction in the financial and other industries, highlights the method of target detection and feature selection, and briefly describe the development process of YOLO algorithm.

研究动机与目标

• 推动使用 YOLO 和 CNN 模型进行实时目标检测的研究。
• 总结 YOLO 架构的发展演变及其实时性能。
• 讨论基于 CNN 的特征提取如何在各种应用中支持准确的目标检测。

提出的方法

• 回顾并综合现有关于 YOLO 和基于 CNN 的实时目标检测的文献。
• 描述 YOLO 架构的演变及其对速度与精度的影响。
• 讨论与实时检测相关的基于 CNN 的特征提取方法。

实验结果

研究问题

• RQ1 针对实时目标检测，YOLO 及其变体的关键特征与演变是什么？
• RQ2 CNN 模型如何促进实时目标检测和特征提取？
• RQ3 跨行业的 YOLO/CNN 基于实时检测的应用与挑战有哪些？

主要发现

• YOLO 及其进化版本被描述为具有效率实现实时检测的一般化对象表示。
• CNN 模型解决了与特征提取相关的问题，并且可以在各领域支持教育和教学应用。
• 调查强调 YOLO 在目标检测和特征选择中的作用，并概述其开发过程。