detection基础知识问答

在与学术圈大佬交流的时候, 是不是常常感觉到迷茫, 张口结舌,哑口无言? 完全不知道大佬在问些什么, 但复盘与大佬的交流过程就会发现, 其实都是自己所知道的东西. 究其原因就是自己并没有把散乱的知识归纳成自己的体系, 而大佬的交流又都是建立在知识点以外的推论与扩展. 所以,将相关的知识收藏,并时常扫一眼是很重要的.

* focal loss:  Focal Loss --- 从直觉到实现 - 知乎

        cross entropy的公式,修改到focal loss的公式,自己写一个focal loss公式代码.

        focal loss公式的图像, gamma越大, 曲线越下凸.

        * focal loss有两个系数 alpha管难易分类样本的东西,gamma管正负样本不平衡 *focal loss两个性质(prob=0,1的loss小,中间的loss大; gamma越大上述效果越强.); alpha=0.5时为传统的cross entropy, 

        * easy / hard example两种情况下,计算loss的差异.

         * focal loss主要处理什么问题? 类别不平衡问题,以及在线专注于hard example.

        * 目标检测中, 负样本是谁?background背景. 负样本多还是正样本多?负样本多.

        * 目标检测中, 类别数量的不均衡靠alpha来调节.

        * 还有哪些其他专注难样本的方法?OHEM. *比focal,OHEM缺点是忽略了容易分类样本 

* 目标检测中前景背景的确定. 计算anchor和gt的IOU, 有个IOU_small_enough(比如=0.35),小于此数值的anchor则为background, 而IOU大于  IOU_big_enough(比如=0.65)的则作为foreground. 

* cross entropy: 公式, 自己写代码.

* CenterNet: 

        【Anchor Free】CenterNet的详细解析 - 知乎

        * head由几部分组成? heatmap, wh, reg; shape是什么

        * gt 是用高斯核的函数分布成热力图的. 高斯概率分布的公式, 标准差的选择; 重叠选最大

                * heatmap高斯函数半径的确定见 CenterNet原理详解_进击的菜鸟-CSDN博客. 思想的出发点: 避免将iou为0.7以上的框给太大的惩罚,也就是说. 然后分三类情况计算半径,然后取最小的为高斯圆半径

        *  loss由几部分组成? 每部分的loss公式?

        * backbone里有几个hourglass

        * CenterNet 的NMS. 与yolo的不同. 以tensor的计算代码实现

        * cornerNet 是centerNet之前的.

* softnms 

        * Soft NMS算法笔记_AI之路-CSDN博客  看一下NMS失败的NMS的case样例 Soft(er)-NMS：非极大值抑制算法的两个改进算法_lcczzu的专栏-CSDN博客_nms优化       

        * softNMS公式.  以及演进过程, softNMS 与NMS的区别,看上面两个链接. 

         * softNMS 也带来了问题, 容易误检

* hourglass 

* NMS 代码YOLOv3：非极大值抑制抑制（NMS）算法和Soft-NMS算法原理以及实现_Glen_Zou的博客-CSDN博客

* softplus激活函数 【深度学习基础】：概率论(三)_sigmoid、softplus与Relu_bqw的博客-CSDN博客_softplus

* Mish 激活函数 和 swish 激活函数. , sigmoid 公式及曲线, tanh公式及曲线  . 梯度弥散,梯度消失(gradient vanishing), 是否zero-centered, 倒数如何计算, 梯度爆炸,移动端,收敛速度深度学习笔记(三):神经网络之九种激活函数Sigmoid、tanh、ReLU、ReLU6、Leaky Relu、ELU、Swish、Mish、Softmax详解_源的博客-CSDN博客_relu和relu6

* 普通卷积、深度可分离卷积、空间可分离卷积代码 深度学习笔记(十二):普通卷积、深度可分离卷积、空间可分离卷积代码_源的博客-CSDN博客

* 深度学习笔记(十):深度学习评估指标_源的博客-CSDN博客

        * 准确率accuracy, 精确度 precision, 灵敏度(召回率) sensitivity,recall, 特异度specificity

* 【深度学习】目标检测回归损失函数合集：SmoothL1/IoU/GIoU/DIoU/CIoU Loss_chen1234520nnn的博客-CSDN博客         * 能否反映尺度,距离,两者不相交时候的值,边界框中心点的距离, 边界框的宽高比,

* 检测模型

【学习笔记】经典目标检测算法_码海畅游记录-CSDN博客

检测模型

	one sta ge	Region Propos al / backbone	pooling	head	栅格 anchor	FPN
R-CNN	No	Selecti ve Search 2000	No	SVM 线性回归
SPPNet	No	同上	global pooling	SVM 线性回归
Fast RCNN	No	同上	ROI pooling	全连接层
Faster- RCNN	No	RPN
R-FCN
Mask  R-CNN	No	同Faster RCNN	ROI Align	同Faster RCNN
YOLOv1	Yes	VGG	-	5*2 + cls 全连接层	7x7 栅格	无
SSD	Yes	-	-	全卷积层
Yolov2	Yes	借鉴RPN Darknet19	-	全卷积层	anchor	无
Yolov3	Yes	DarkNet53	-	全卷积	anchor	3尺度
Yolov4	Yes	CSPDark Net53	-		anchor
yolov5
yolox
Retina Net
Corner Net
Center Net

a

yolo不同版本的网络结构:Yolov3、v4、v5、Yolox模型权重及网络结构图资源下载_江南研习社-CSDN博客_yolox模型

                                               yolov3

                                             yolov4

                                                  yolov5

    

                                          yolox-darknet53

                                         yolox-s

 

 

 

                                

 

 

        

a