AIGC動態歡迎閱讀

原標題：AI發展方向——從pipeline到end2end
關鍵字：模型,目標,濾波器,數據,圖像
文章來源：JioNLP
內容字數：0字

內容摘要：

荷樓~~，大家好，我是 JioNLP。
這些天我在做圖像目標檢測與跟蹤。
我越做越感覺，這塊 AI 任務的建模方式和處理方式存在很多的問題。
我先分開說說目標檢測和目標跟蹤兩塊技術發展情況。
目標檢測——yolo目前流行的目標檢測還是YOLO，這個模型已經迭代到了 YOLOv8，修修補補，更新迭代了這么多版本，我認為不是一件好事，這說明目標檢測領域存在瓶頸和局限性，已經很長時間沒有人能做出突破了。
YOLO 系列模型最早是把 R-CNN 那套東西按在地上錘的，這其中蘊含了 AI 發展的非常典型的思路。
R-CNN 為代表的這類模型，有很強的人類對目標檢測任務的假設，那就是，先標定不同大小的框，然后再對框住的圖像做圖像分類。
它把目標檢測任務完全分割成了兩個階段，先選定框，然后再去做分類標定類別。這是一種典型的 pipeline 式的處理方式。
而 YOLO 模型一舉采用 end2end 端到端的方式掀了 R-CNN 模型的桌子。
目標檢測不就是想要框的坐標、類別嗎？那神經網絡直接預測并輸出坐標、類別就好啦！別管坐標這種概念對于圖像來說有多抽象。只要還歸香農信息論管轄，那就交給神經網絡去

原文鏈接：AI發展方向——從pipeline到end2end

聯系作者

文章來源：JioNLP
作者微信：jionlp
作者簡介：我是一只程序員，關注 AI、數據挖掘、數據分析、C、C++、音視頻、機器人。 同時還喜歡聊各種小說、故事。