胖胖大海的博客

开源代码：https://github.com/Megvii-BaseDetection/YOLOX参考：深入浅出Yolox之自有数据集训练超详细教程 - 知乎训练数据标注YOLOX采用VOC数据标注格式，VOC数据格式如下：其中图片训练的图片数据存放在JPEGImages目录中，每张图片对应的同名xml文件存放在Annotations目录下，ImageSets/Main目录下存放划分号的训练集train.txt和验证集文件val.txt，其中trai...

Anchor-Free系列之CornerNet: Detecting Objects as Paired Keypoints_程大海的博客-优快云博客Anchor-Free系列之CenterNet：Objects as Points_程大海的博客-优快云博客Anchor-Free系列之FCOS：A Simple and Strong Anchor-free Object Detector_程大海的博客-优快云博客参考：如何评价旷视开源的YOLOX，效果超过YOLOv5? - 知乎.

开源代码：https://github.com/tianzhi0549/FCOSAnchor-based目标检测算法的缺点：anchor的大小、宽高比以及anchor的数量这些超参数对算法性能影响较大，在使用anchor box的时候，涉及的超参数如下： anchor的大小 anchor的宽高比 anchor的数量 anchor box与ground truth的IoU阈值，用来确定anchor是否为positive anchor box与ground truth的IoU阈值，

CenterNet也是anchor-free的one-stage的目标检测算法，CenterNet与基于anchor的one-stage目标检测算法的主要区别如下：基于anchor的检测算法首先要按照anchor与目标ground truth的IoU来划分anchor是positive还是negative，然后positive的anchor负责预测对应的目标。CenterNet中没有anchor，只识别目标的中心点，可以理解为目标中心的位置就是一个positive anchor，其他地方都是negati

CornetNet不使用anchor box来完成目标检测，并且达到了与当时的one-stage检测算法更好的精度。作者分析了anchor box的两个主要缺点：为了提升目标检测效果，通常需要生成大量的anchor box，以YoloV3为例，在13x13、26x26、52x52三种尺度的特征图上，每个位置生成9个anchor box，一共有31941个anchor box，更多的anchor box可以保证每个目标都能够被anchor box所覆盖，提升目标检测结果的召回率，但是更多的...

ResNeXt在网络架构设计层面，常见的几种提升网络性能的方法：网络的宽度width：每层卷积的输出通道数 网络的深度depth：网络的层数 网络的分辨率resolution：输入图像的分辨率大小 网络的增长率growth：随着层数的增加，每层卷积输出通道数的增长比例 网络的特征复用：如DenseNet可以使用更浅的网络，更少的参数，提升特征复用，达到与深度网络相当的性能 高效特征融合：InceptionNet的split-transforms-merge模式，将输入分别使用不同的转换分支

下面是YoloV4论文中给出的目标检测算法的整体架构：主要包含以下几个部分：输入层用来处理输入数据，如数据增强 Backbone主干网络用来提取特征 Neck层用来做多尺度特征融合，提升特征的表达能力，如SPP、FPN、BiFPN、PAN等 预测输出层用来预测输出结果，输出层又分为密集预测（如RPN，SSD，Yolo）和稀疏预测（如R-CNN系列）Yolov1:参考：<机器爱学习>YOLO v1深入理解 - 知乎参考：https://zhuanla...

EfficientDet特点：采用了带权重的双向FPN网络BiFPN进行特征融合，并通过模型学习得到不同特征的权重参数，不同的特征融合方式P3-P7，就得到了不同大小的EfficientDet模型 提出了对于resolution、depth、width进行联合扩展进行模型尺度缩放，提升模型性能上图中，FPN是特征将金字塔网络，PANet是基于FPN的改进，NAS-FPN是使用网络搜索的方式自动确定特征融合的方式（可解释性差），BiFPN是EfficientDet中采用的...

RetinaNet论文主旨思想：1、two-stage目标检测网络，首先RPN网络预测出可能包含目标的区域region proposal，然后使用分类和回归分支进一步确定region proposal区域的类别和bbox，在RPN网络中给出的区域包含目标的概率极大，极大限度的过滤掉了负样本，那么在第二阶段进行精炼预测时，处理的基本上都是正样本，网络更容易学习预测。2、one-stage目标检测网络，直接在backbone网络或者是neck阶段特征融合的基础上进行高密度...