谷歌师兄的LeetCode刷题笔记中关于MobileNet的对象检测部分

谷歌师兄的leetcode刷题笔记使用移动网络的物体检测： 用于物体检测的单次检测器： 当涉及到基于深度学习的对象检测时，您可能会遇到三种主要的对象检测方法： （Girshick 等人，2015 年） （雷德蒙和法哈迪，2015 年） （刘等，2015） Faster R-CNN 可能是使用深度学习进行对象检测最“听说”的方法； 然而，该技术可能难以理解（尤其是对于深度学习的初学者）、难以实施且难以训练。 此外，即使使用“更快”的 R-CNN 实现（其中“R”代表“区域提议”），算法也可能非常慢，大约为 7 FPS。 如果我们追求纯粹的速度，那么我们倾向于使用 YOLO，因为这种算法要快得多，能够在 Titan X GPU 上处理 40-90 FPS。 YOLO 的超快变体甚至可以达到 155 FPS。 YOLO 的问题在于它的准确性有待提高。 最初由 Google 开发的 SSD 是两者之间的平衡。 该算法比 Faster R-CNN 更直接（我认为在原始的开创性论文中解释得更好）。 我们还可以享受比 Girshick 等人更快的 FPS 吞吐量。 22-46 FPS，具体取决于我们