object detection

最新推荐文章于 2024-07-15 14:30:54 发布

原创最新推荐文章于 2024-07-15 14:30:54 发布 · 244 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#object detection

Deep Learning 专栏收录该内容

7 篇文章

订阅专栏

本文详细介绍YOLO系列算法的发展历程，从YOLOv1到YOLOv3，包括其基本思想、网络结构、改进之处及多尺度预测等关键特性。深入探讨了YOLOv2的BatchNormalization、高分辨率分类器、AnchorBoxes、细粒度特征和Multi-ScaleTraining等创新，以及YOLOv3的多尺度预测和更好的基础分类网络。

R-CNN

在这里插入图片描述

SPP-Net

在这里插入图片描述

Fast R-CNN

在这里插入图片描述

Faster R-CNN

在这里插入图片描述

FPN

在这里插入图片描述

YOLOv1

基本思想：

将输入图像分成SxS个格子，如果一个物体的 Ground truth 的中心位置的坐标落入到某个格子中，那么这个格子就负责检测出这个物体。
在这里插入图片描述
每个格子预测B个bounding box及其置信度(confidence score)，以及C个类别概率。bbox信息(x,y,w,h)为物体的中心位置相对格子位置的偏移及宽度和高度,均被归一化.置信度反映是否包含物体以及包含物体情况下位置的准确性。

网络结构：

YOLOv1网络借鉴了 GoogLeNet 分类网络结构，而且使用1x1卷积层和3x3卷积层替代 inception module。
YOLOv1网络在最后使用全连接层进行类别输出，因此全连接层的输出维度是 S×S×(B×5+C)。

缺点：

输入尺寸固定：由于输出层为全连接层，因此在检测时，YOLO训练模型只支持与训练图像相同的输入分辨率。其它分辨率需要缩放成改分辨率.
占比较小的目标检测效果不好.虽然每个格子可以预测B个bounding box，但是最终只选择只选择IOU最高的bounding box作为物体检测输出，即每个格子最多只预测出一个物体。当物体占画面比例较小，如图像中包含畜群或鸟群时，每个格子包含多个物体，但却只能检测出其中一个。

损失函数：

YOLO全部使用了均方和误差作为loss函数.由三部分组成:坐标误差、IOU误差和分类误差。
$loss=∑i=0s2coordErr+iouErr+clsErrloss=\sum_{i=0}^{s^2}coordErr+iouErr+clsErr$
考虑每种loss的贡献率，最终的公式如下：
在这里插入图片描述

SSD

YOLOv2（YOLO9000）

相比v1，v2提高了训练图像的分辨率，引入了faster rcnn中anchor box的思想，对网络结构的设计进行了改进，输出层使用卷积层代替全连接层，联合使用coco物体检测标注数据和imagenet物体分类标注数据训练物体检测模型，在识别种类、精度、速度、和定位准确性等方面都有大大提升。

改进之处：

Batch Normalization：v1在定位层后边用了dropout，v2中取消了dropout，在卷积层全部使用Batch Normalization。
高分辨率分类器：v1中使用224 × 224训练分类器网络，扩大到448用于检测网络。v2将ImageNet以448×448 的分辨率微调最初的分类网络，迭代10 epochs。
Anchor Boxes：v1中直接在卷积层之后使用全连接层预测bbox的坐标。v2借鉴Faster R-CNN的思想预测bbox的偏移。移除了全连接层，并且删掉了一个pooling层使特征的分辨率更大一些。
YOLOv2对Faster R-CNN的手选先验框方法做了改进，采样k-means在训练集bbox上进行聚类产生合适的先验框。
细粒度特征(fine grain features)：添加一个 pass through layer，把浅层特征图（26x26）连接到深层特征图(连接到新加入的三个卷积核尺寸为3 * 3的卷积层最后一层的输入)。通过将浅层特征图与原生的深层特征图相连接，使模型有了细粒度特征。
Multi-Scale Training：YOLOv2训练时每迭代10次，就会随机选择新的输入图像尺寸。训练使用的最小的图像尺寸为320 x 320，最大的图像尺寸为608 x 608。

网络结构：

YOLOv2提出了一种新的分类模型Darknet-19，结构如下图。主要使用3x3卷积并在pooling之后channel数加倍(VGG)；global average pooling替代全连接做预测分类，并在3x3卷积之间使用1x1卷积压缩特征表示(Network in Network)；使用 batch normalization 来提高稳定性，加速收敛，对模型正则化。
在这里插入图片描述
在网络中移除最后一个1x1的层，在最后添加3个3x3x1024的卷积层，再接上输出是类别个数的1x1卷积。

Focal loss

DSSD

YOLOv3

改进之处：

多尺度预测（类FPN）
更好的基础分类网络（类ResNet）和分类器

分类器-类别预测：

YOLOv3不使用Softmax对每个框进行分类，主要考虑因素有两个：

Softmax使得每个框分配一个类别（score最大的一个），而对于Open Images这种数据集，目标可能有重叠的类别标签，因此Softmax不适用于多标签分类。
Softmax可被独立的多个logistic分类器替代，且准确率不会下降。分类损失采用binary cross-entropy loss.