qq_273058791的博客

深度学习神经网络学习的阶段性总结🐱‍🏍🐱‍🏍🐱‍🏍

YOLOv6由美团于2022年提出，并非官方，目前尚无论文，让子弹再飞一会✈️，挖个坑先⛳。YOLOv7由YOLOv4原班人马于2022年提出，让子弹再飞一会✈️，挖个坑先。YOLOX由旷世于2021年提出，挖个坑先。

YOLOv5作者并未发表论文，紧跟YOLOv4发布，性能与YOLOv4不分伯仲，同样也是当时最先进的目标检测技术，并在推理速度上是当时最强。

YOLOv4是对YOLOv3的一个改进，总结了几乎所有的检测技巧，引用文献量**超过100篇**，又提出了一点技巧，然后经过筛选，排列组合，挨个实验哪些方法有效。实际上是一种技巧的堆叠，没有提出实质性的新内容，但确实提高了性能。

YOLO系列的第三个版本，在YOLOv2基础上做了一些小改进，文章篇幅不长，核心思想和YOLOv2差不多。

YOLO系列的第二个版本，可检测出超过9000种目标类别，并可运行在不同的尺寸之下，在保持原有速度优势的条件下使得精度得以提升。同时提出了在目标检测数据集和分类数据集上联合训练的方法，取得了很好的效果。

以前的目标检测是利用分类器来执行检测任务，而YOLO将目标检测看作关于边界框和相关类别的回归问题，直接从完整的图像上预测边界框和类别概率，可以实现端到端。推理速度45FPS 448×448，准确率63.4mAP。

Mask RCNN是在Faster RCNN的基础上提出的实例(语义)分割网络，它通过添加一个分支与现有的用于bbox识别的分支并行来预测对象的mask，可有效检测图中目标，并为每个实例生成高质量的分割mask。说明了不同任务之间互相借鉴的可能性，也启发我们在深钻某一领域的同时也要涉猎广泛，其他任务的方法也许是解决你问题的新思路。

Fast RCNN的改进版本，用RPN代替了选择性搜索(提出候选区)，使网络运行更快。

对R-CNN进行了改进提升，技术流程为：候选区域生成、CNN网络提取整图特征、ROI池化得到候选区域特征、同时完成分类+回归。

R-CNN算法全名为区域卷积神经网络，遵循传统目标检测算法的流程，将整个任务分为：候选区域生成、CNN网络提取区域特征、分类、预测框回归四个部分。

ResNet即深度残差网络，由何凯明于2015年底提出，一经问世，就在ImageNet中斩获图像分类、检测、定位三项冠军。其最大特点就是非常深，常用的有ResNet-50和ResNet-101。

GoogLeNet是2014年ILSVRC竞赛的获胜者，又名Inception V1。GoogLeNet不像VGG继承了LeNet以及AlexNet的一些框架，它在网络上做了更大胆的尝试，该模型虽然只有22层，但参数量只有AlexNet的1/12。

NIN改进了传统的CNN，采用了较少的参数就取得了超过AlexNet的性能，AlexNet参数大小是230M，NIN只需29M，此模型后来先后被Inception与ResNet等借鉴。它在卷积层后面增加1×1卷积核，然后将全连接层换成全局平均池化层，提供了减少训练参数的思想，提高了运算速度，有效避免了过拟合。

VGG Net在ILSVRC2014上取得了第二名的成绩，第一名是GoogLeNet，这里先写VGG是因为这个模型在多个迁移学习任务中的表现要优于GoogLeNet。到目前为止，VGG依然经常被用来提取图像特征，它的缺点是参数量有140M之多，耗费计算资源需要更大的存储空间，但是这个模型很有研究价值。目前常用的VGG结构为**VGG-16**和**VGG-19**。

AlexNet的出现标志着神经网络的复苏和深度学习的崛起。在ImageNet2012的图片分类任务上，AlexNet以15.3%的错误率登顶，而且以高出第二名十几个百分点的差距吊打所有其他参与者。原文主要结论是：模型的深度对于提高性能至关重要，AlexNet的计算成本很高，但因在训练过程中使用了图形处理器(GPU)而使得计算具有可行性。

LeNet是一系列网络的合称，包括LeNet-1~LeNet-5，由深度学习三巨头的Yan LeCun在1900年提出，他同时也是卷积神经网络(CNN)之父，现在所说LeNet代指**LeNet-5**。LeNet的实现确立了CNN的结构，现在的神经网络中的许多内容在LeNet网络结构中都能看到，例如卷积层、Pooling层、ReLU层。LeNet网络结构比较简单，适合神经网络的入门学习。