19、目标检测技术：原理、模型与实验实现

目标检测技术：原理、模型与实验实现

1. 重组织层与多尺度训练

重组织层与最大池化层不同，最大池化层会减少输入信息，而重组织层在操作后能保留输入的原始信息。

在YOLO - v2模型训练时，采用了多尺度训练策略。每10个批次就会改变输入图像的大小，输入图像大小取32的倍数，如320、352、384、416、448、480、512、544、576和608，最小输入图像尺寸为320 x 320，最大为608 x 608。这种训练策略有助于YOLO - v2克服多尺度目标检测的问题，同时保持实时速度。

2. 特征金字塔网络（FPN）

2017年，Lin等人提出了特征金字塔网络（FPN）。FPN采用带有横向连接的特征金字塔架构，用于不同尺度的目标检测，尤其适用于小目标检测。

CNN用于特征提取时，深层具有低分辨率和丰富语义特征的特点，而浅层则包含高分辨率和弱语义信息的特征。这导致使用CNN金字塔特征层次结构进行多尺度目标检测的检测器性能不佳。为了构建一个各层都包含丰富语义的特征金字塔，FPN通过自上而下的路径从语义丰富的层构建高分辨率层。由于重建层具有强大的语义特征，但缺乏目标的位置信息，因此在这些层和相应的特征图之间添加横向连接，以更好地预测目标位置。

有四种主要的网络架构可提高目标检测性能：
| 架构名称 | 特点 | 代表模型 | 优点 | 缺点 |
| ---- | ---- | ---- | ---- | ---- |
| 图像金字塔网络 | 对每个图像尺度独立计算预测特征 | 无 | 有效 | 运行时间非常慢 |
| 单特征图网络 | 使用单尺度特征进行预测 | YOLO