图像检测算法综述

1. 工作里面遇到的项目问题很多，总结大概就是不平衡分类问题和小样本检测问题。
2. 不平衡分类问题的解决办法，大概是几个方面
   1. 数据增强方面
      1. 将数目多的样本进行聚类，找到比较有代表性的几个样本，去跟数目少的样本进行建模。
      2. 扩充不平衡样本数量，比如上采样，聚类生成数据。
      3. 分析原始数据性质，确定数据需不需要分类。
   2. 变量选取方面
      1. 用集成模型的办法，选取对目标纯度提升比较大的几个变量去建模。
   3. 模型建模方面
      1. 对数目少的样本，在进行损失计算的时候，给他们更大的权重。
3. 小样本检测问题
   1. 数据角度
      1. 随机裁剪：通过裁剪图像，使小目标在裁剪后的图像中占据更大比例。
      2. 缩放：放大图像，使小目标更易检测。
      3. 旋转和翻转：增加数据多样性，提升模型泛化能力。
      4. 使用高分辨率的图片。
   2. 模型角度
      1. 如果不在乎模型速度，建议采用fasterrcnn这样的两阶段检测方法，比较容易能够获得高精度。
      2. 如果希望能够获得速度和精度的结合，可以采用yolo,unet类的单阶段检测办法。
         1. unet本质是一种先抽象再生成的模型，和强化学习、以及扩散模型在本质上有相似性。
            1. unet的结构是把图片首先进行卷积，卷积到一个很小的高层特征图上。
            2. 然后让这个特征图再上采样，扩散到一个大图上，然后输出一个检测头，去做我们想要的分割/目标检测任务。
            3. YOLO在UNET的基础上进行的改进就是在80*80，40*40，20*20的输出图上，都分别放了一个检测头，来适应不同尺度的目标。
            4. 通常来说，对于一个小目标物体，有的小目标物体是通过自身纹理来识别的，比如人体。  有的小目标物体是通过上下文来识别的，比如说人脸。所以你如果想提高目标检测的效果，就要先明确好你的目标的性质。如果是需要上下文的，就采用比较高层的特征图，因为高层特征图感受野大。如果是需要自身纹理的，就采用底层特征图，底层特征图感受野小。如果底层还不行，那么就采用更更底层的特征图去输出辨别。如果遇到需要上下文和自身纹理结合的，我自己采用过将底层和高层直接结合在一起，然后transformer的办法，效果一般。