河北邯郸做wap网站,网站运营策划方案,销售易crm官网,建设旅游网站的目标本文致力于让读者对以下这些模型的创新点和设计思想有一个大体的认识#xff0c;从而知晓YOLOv1到YOLOv4的发展源流和历史演进#xff0c;进而对目标检测技术有更为宏观和深入的认知。本文讲解的模型包括#xff1a;YOLOv1,SSD,YOLOv2,YOLOv3,CenterNet,EfficientDet,YOLOv4…本文致力于让读者对以下这些模型的创新点和设计思想有一个大体的认识从而知晓YOLOv1到YOLOv4的发展源流和历史演进进而对目标检测技术有更为宏观和深入的认知。本文讲解的模型包括YOLOv1,SSD,YOLOv2,YOLOv3,CenterNet,EfficientDet,YOLOv4。 R-CNN 候选区域
SPP-Net 和R-CNN最大区别是什么 先提取特征再对候选区域做处理
Fast R-CNN: 并行选择性搜索算法和ConvNet提取特征 将SPPNet中的金字塔池化替换为RoI池化层
Faster R-CNN 每个候选框一个分数就不用手工设计算法来筛选候选框了用CNN进行候选区域的提取 二阶段目标检测算法 将目标检测作为一个 分类问题 来解决S1一个模块提出一些候选框S2后续的网络将其分类为目标或背景
YOLO将 目标检测问题 重构成一个 回归问题 直接将图片中的每个像素分类为 1目标、2边界框、 3不是目标也就是背景 这三种类型 单阶段目标检测算法
YOLOv1 YOLOv1的设计灵感来自于GoogLeNet模型使用较小的卷积网络的级联模块。使用的具体细节是使用GoogLeNet在ImageNet上预训练过、精度已经很高的预训练模型。在此基础上添加随机初始化的卷积层和全连接层进行微调fine-tuning YOLOv1在准确性和速度都远远超过当时的两阶段实时目标检测模型但是小目标检测和密集目标检测效果不好 SSD 基于VGG-16来构建的 模型浅层的SSD特征图的size比较大小目标的信息被保留的比较完整用来检测较小的目标。较深的层用来 检测较大的物体 在训练期间SSD将每个GT框ground truth与具有最佳IoU的默认框匹配, 【我猜】truth的答案标签 框 和你模型预测的 框 相匹配并相应的训练网络类似Muti-Box。啥是Multi-box? SSD作者还使用了困难负样本挖掘和啥是困难负样本挖掘大量数据增强方法 损失函数与DPM啥是DPM?类似SSD利用 定位损失 和 置信度损失 的 加权和作为总的损失值来训练监督模型 并通过执行菲最大抑制NMS什么是是非最大抑制有什么用获得最终输出 SSD在检测小目标方面也存在困难。这个问题可以通过使用更好的backbone网络如ResNet来解决 YOLOv2 相比YOLOv1YOLOv2提供了速度和准确性之间良好的平衡 YOLOv2是YOLO系列中首次使用了DarkNet-19作为backbone的。 使用了BatchNormalization以提高收敛性 分类和检测系统的联合训练以增加检测类别意思是分类 和 打bouding box 这两个任务一起训练 然后类别就多了 啥叫检测类别 识别是人是车是摩托这和前面的联合训练有什么关系 移除Fully connected层以提高速度参数量小了计算量小了速度自然块 使用学习的anchor框是可学习的anchor框吧来提高召回率recall并获得更好的先验啥叫先验事先就知道这些框有可能是真实的框 recallTP/(TPFN)。实际为正的样本里预测正确的样本的比例。所有的罪犯里有多少罪犯被你抓住了。 precisionTP/(TPFP)。在你预测为正的样本集合里多大比例是被正确预测的。所有你认为是犯人被抓进Police局里人里多少人真的是犯人 YOLOv2的作者Redmon等人使用WordNet将分类和检测数据集组合在层次结构中。此WordTree可以用于预测更高的上位词条件概率从而提高系统的整体性能。啥意思啊不知所云
YOLOv3 YOLOv3是在YOLOv2基础上做增量改进整个范式上没有太大的改进了。YOLOv3相比YOLOv2只是速度上更快了但是上从技术上是没有突破的。 使用了比YOLOv2的backbone Darknet-19更大更深的网络Darknet-53来做backbone。 Darknet-53和Darknet-19的不同是53增加了残差结构。缓解了因为网络过深带来的梯度消失问题从而使得网络变得更深。 使用了 数据增强、多尺度训练 muti scale training、Batch Normalization。 分类器中的softmax层被逻辑分类器所取代。是logistics regression吗
CenterNet 抛弃了传统的bouding box这种对目标object进行建模的方式将一个object用 一个 点 来表示。这个 点 是bouding box的中心点。 输入图像通过高斯半径生成热力图Heatmap, Heatmap head用于确定目标中心Dimension Head用于估计目标大小从目标中心向外半径多少Offset head用于校正目标点的偏移。 CenterNet使用预训练的DLANet作为提取器网络什么是DLANet?有什么独特的优良特性这个DLANet网络有3个Head: Heatmap Head, Dimension Head, Offset Head。这三个Head的多任务损失在训练时被反向传播到特征提取器进行参数更新梯度优化。 他比之前的工作更准确推理时间更短。
EfficientDet 比之前的模型准确率更高效率更高体现在哪里是可扩展的目标检测器可扩展体现在哪里——可以把这个EfficientDet很好的推广到其他任务上 引入了高效的多尺度特征、BiFPN和模型缩放啥叫模型缩放是不是指的我串联堆叠3个BiFPN也行五个也行一个也行。BiFPN是 具有可学习权重的 双向Bi-directional 特征金字塔Feature Pyramid Network用于在不同尺度上将输入特征 交叉连接。 上图想展示的是作者如何一步步改机和演进从而设计出BiFPN这个网络 第一步 (a) 是利用 top-down自上而下的方式去融合level 3到level 7的特征P3-P7 第二步 (b)在top-down的FPN的基础之上 ,串联 一条 通路 path, 可以bottom-up 自底向上 第三步c引入NAS(Neural Architecture Search)神经网络架构搜索技术去找到一条不规则的特征提取网络Feature Network的拓扑结构topology然后重复串行这个结构多次我猜的不知道对不对。你看图(c)就会发现这个网络结构十分不规则和奇怪但是这种奇怪的网络结构是最优的网络结构。或者performance更好或者保证前者的基础上参数量相对较少 第四步d在权衡的accuracy和efficiency的基础上平衡二者最优的架构是这个样子的结构的BiFPN。 EfficientDet利用EfficientNet作为主干网络下图左边那个将多组BiFPN层串联堆叠作为特征提取网络下面这个示意图从左到右堆叠了三个BiFPN。最终BiFPN层的每个输出都被送到分类网络和框检测。 YOLOv4 YOLOv4相比YOLOv3在范式上没有太大的改进只是一堆Trick奇淫巧技的集合使得模型速度很快易于训练。 为了改进性能引入了数据增强、正则化方法、类标签平滑、CIoU-loss、CmBN(Cross mini-Batch Normalization)、自对抗训练、余弦退火算法来改进其最终的性能。 使用了Mish激活函数、跨阶段部分连接CSPCross Stage Partial、SPP-block(Spatial Pyramid Pooling)、PAN路径聚合块(Path Aggregation Network)、多输入加权残差连接MiWRC(Multiple input Weighted Residual Connection) 检测头沿用YOLOv3的backbone在YOLOv3的Darknet-53的基础上加入CSPNet,骨干网络是CSPNetDarknet-53. 趋势总结
整体趋势逐渐走向End-to-End端到端 End-to-End的意思是从输入数据的开始端到模型处理得到最终结果的结束段之间不需要将问题拆分成多个独立的子问题。开始端到结束端整个过程一体化的进行优化。 1Craft Free, 不再需要手工设计特征用神经网络来自动提取特征 2proposal free, 不需要候选区域推荐从二阶段算法到单阶段算法 3anchor free 4NMS free YOLOX尝试过但是没提供代码
