neural-network - 无论如何，YOLO 的表现会与 VGG-16 不同吗？将它用于图像分类而不是 VGG 有意义吗？

Question

我已经使用 VGG 作为图像分类模型实现了图像字幕。我读过关于 YOLO 是一种快速图像分类和检测模型的文章，它主要用于多目标检测。但是对于图像字幕，我只想要类而不是边界框。

Answer 1

我完全同意 Parag S. Chandakkar 在他的回答中提到的内容。 YOLO 和 RCNN 这两个最常用的对象检测模型与 VGG-16 和其他对象分类网络相比，如果仅用于分类，则速度较慢。 但是，为了支持 YOLO，我想提一下，您可以为图像字幕和图像对象检测创建单个模型。

YOLO 生成一个长度为 1470 的向量。

调整 YOLO 以生成数据集支持的类数，即让 YOLO 生成 49*(数据集中的类数)+ 98 + 392 的向量。

使用此向量生成边界框。

进一步调整此向量以生成大小等于类数的向量。您可以使用密集层。

将此向量传递给您的语言模型以生成字幕。

因此总而言之，您可以先生成边界框，然后进一步调整该向量以生成标题。