易语言注册机多线程

易语言注册机多线程，批量，速度快

一、算法基本流程
1、传统目标检测基本流程
二、传统目标检测方法
1、Viola-Jones（人脸检测）
Haar 特征：
2、HOG + SVM（行人检测）
3、DPM（物体检测）
4、NMS（非极大值抑制算法）
三、深度学习目标检测方法
1、one-stage

2、two-stage

核心组件：
CNN 网络；
RPN 网络：
区域推荐（Anchor 机制）；
RoI Pooling：
输入：特征图、rois（1x5x1x1）以及 RoI 参数；
输出：feature map。
分类和回归。
3、SSD 算法
One-stage；
直接回归目标类别和位置；
在不同尺度的特征图上进行检测；
端到端的训练；
图像分辨率较低也能保证检测的精度。

主干网络： VGG、ResNet、MobileNets 等；
多尺度Feature map 预测：
不同层的 feature map；
Prior box：类别概率和坐标（x, ty, w, h）。
(1)、Prior Box Layer
每个点都作为一个 cell：m x n 个；
每个 cell 上生成固定 scale 和 aspect ratio 的 box：
假设一个feature map有m x n个cell，每个cell对应k个default box，每个default box预测c个类别score和4个offset；
输出：( c + 4 ) × k × m × n (c+4)\times k\times m\times n(c+4)×k×m×n。
(2)、构造样本
正样本：

从GT box出发找到最匹配的prior box放入候选正样本集；
从prior box集出发，寻找与GT box满足IoU>0.5的最大prior box放入候选正样本集；
负样本：

难例挖掘；
正负样本：1:3.

(3)、损失函数
分类 Loss：Softmax；；
回归 Loss：Smooth L1 Loss。
(4)、优化及扩展
SSD算法对小目标不够鲁棒的最主要的原因是浅层feature map的表征能力不够强。

DSSD

加入上下文信息；
更好的基础网络（ResNet）和Deconvolution层，skip连接来给浅层feature map更好的表征能力。
DSOD
DSOD = SSD + DenseNet

设计原则：
基于候选区域提取的方法无法从零开始训练，不收敛，只有proposal-free方法可以从零开始训练并收敛（ROI Pooling）；
DenseNet中更多的skip connections 实现supervised signals传递；
增加dense blocks数量区别原先固定数量；
Stem Block优化（3个3 *3卷积层和1个2 *2最大池化层）；
6个尺度特征图进行目标检测，再融合（如何利用特征图）；
FSSD

设计原则
借鉴了 FPN 的思想，重构了一组pyramid feature map；
把网络中某些 feature 调整为同一 size 再 contact