YOLOV1和YOLOV2

一、YOLO-V1(经典的one-stage方法)

1.网络架构

2.损失函数

3.YOLO-V1:

优点:快速,简单!

问题1:每个Cell只预测一个类别,如果重叠无法解决。

问题2:小物体检测效果一般,长宽比可选的但单一。

二、YOLO-V2:更快!更强!

1.YOLO-V2-Batch Normalization

(1)V2版本舍弃Dropout,卷积后全部加入Batch Normalization。

(2)网络的每一层的输入都做了归一化,收敛相对更容易。

(3)经过Batch Normalization处理后的网络会提升2%的mAP。

(4)从现在的角度来看,Batch Normalization已经成网络必备处理。

2.YOLO-V2-更大的分辨率

(1)V1训练时用的是224*224,测试时使用448*448。

(2)可能导致模型水土不服,V2训练时额外又进行了10次448*448的微调。

(3)使用高分辨率分类器后,YOLOv2的mAP提升了约4%。

3.YOLO-V2-网络结构

(1)DarkNet,实际输入为416*416。

(2)没有FC层,5次降采样(13*13)。

(3)1*1卷积节省了很多参数。

4.YOLO-V2-聚类提取先验框

faster-rcnn系列选择的先验比例都是常规的,但是不一定完全适合数据集。

5.YOLO-V2-Anchor Box

(1)通过引入anchor boxes,使得预测的box数量更多(13*13*n)。

(2)跟faster-rcnn系列不同的是先验框并不是直接按照长宽固定比给定。

6.YOLO-V2-Directed Location Prediction

三、YOLO系列

1.感受野:概述来说就是特征图上的点能看到原始图像多大区域。

2.很明显,堆叠小的卷积核所需的参数更少一些,并且卷积过程越多,特征提取也会越细致,加入的非线性变换也随着增多,还不会增大权重参数个数,这就是VGG网络的基本出发点,用小的卷积核来完成体特征提取操作。

3.YOLO-V2-Fine-Grained Features

最后一层时感受野太大了,小目标可能丢失了,需融合之前的特征。

4.YOLO-V2-Multi-Scale

都是卷积操作可没人能限制我了!一定iterations之后改变输入图片大小。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值