YOLO学习笔记1

YOLOv4：Optimal Speed and Accuracy of Object Detection
目标检测的最佳速度和准确性：
有大量的功能据说可以提高卷积神经网络(CNN)的准确性。需要在大型数据集上对这些特性的组合进行实际测试，并对结果进行理论验证。某些特性可用于某些特定的问题，或仅用于小规模的数据集；而一些特性，如批处理规范化和剩余连接，则适用于大多数模型、任务和数据集。我们假设这些通用特性包括加权剩余连接(WRC)、跨阶段部分连接(CSP)、跨小批量标准化(CmBN)、自反训练(SAT)和激活。我们使用新特性:拉力,CSP, CmBN,坐,米什激活,马赛克数据增加,CmBN, DropBlock正规化,意识丧失,并结合一些实现先进的结果:43.5%的美联社(65.7% AP50)女士可可数据集的实时速度∼65 FPS特斯拉V100。

Bag of freebies
改变训练策略：只增加训练成本，不影响测试精度

Bag of specials
只增加少量推理成本却能显著提高对象检测精度的plugin modules和post-processing methods

YOLOv1：
作者：Joseph Chet Redmon
主要代表作：yolov1(Darknet)、yolov2、yolov3、Xnor-net

图像分割：
语义分割(Semantic Segmentation)：
对每一个像素分类（不管该像素属于哪几个物体，只管属于什么类别），
实例分割(Instance Segmentation)：
输出同一类别的不同实例

目标检测的两个流派：

YOLOv1 目标检测框架——one stage：

R-CNN：
2000个Regions of interest(RoI,候选框)–>喂入卷积神经网络–>用支持向量机、Bbox reg去分类和回归

Faster-RCNN——two stage：

学习该博主的视频：视频地址