目标检测part2

two stage

faster R-CNN：将检测问题分为两步-首先产生候选区域region proposal，然后再分类
特点：错误率低，速度慢

one stage

SSD,YOLO：直接产生物体的类别概率和位置坐标值，经单次检测直接得到最终结果
特点：检测速度快

• VGG16
  
• SSD
  2016年提出，基于VGG16主网络；
  
  感受野：
  anchor：

特征金字塔

浅层卷积层得到物体的边缘信息，深层网络得到更细节更抽象的特征
LOSS计算
SSD算法的目标函数：计算对应的预选框与目标类别的confidence loss以及相应的位置回归

Match策略

Hard negative mining
选取误差较大的top-k作为训练的负样本，positive：nagative=1：3
Data augmentation
每个训练图像随机采样
1、随机采样一个区域
2、整个原始输入图像
3、采样一个区域，采样区域和原始图片最小的交并比为
SSD结果分析
缺点：需要人工设置prior box

• YOLOv1
  结构
  利用整张图作为网络的输入，将检测问题作为回归问题，直接再输出层回归预选框的位置及其所属的类别
  
  
  预测工作流程
  
  代价函数
  loss：位置误差，confidence误差，分类误差
  缺点
  
  YOLOv2
  速度和精度的优化。
  大多数检测网络依赖于VGG-16作为特征提取网络；YOLO使用的基于GoogleNet的自定制网络，作者使用Darknet-19在标准1000类的imageNet训练了160周期。
  改进：
  【1】
  
  【2】
  
  【3】
  
  【4】直接位置预测
  【5】细粒度特征Fine-Grained Features
  【6】Multi-Scale Training

YOLOv3
基础框架为Darknet-53；有3个不同特征尺度的输出：1313255, 2626255, 5252255

• 目标检测任务标注
  labelimg window版本