目标检测、元学习个人理解

目标检测、元学习个人理解

anchor的生成方法

1.selective search
  先将图片划分为多个很小的区域，然后根据各个区域之间的相似度不断聚合小区域。

2.Region Proposal Networks
  将特征点映射回原图，在原图上面构建一定数量的确定尺寸的bounding box。然后再用后续的网络一方面要算出bounding box需要调整的偏移量，一方面要算出每一个bounding box是否可用

3.yolo的方法
  让每一个子区域负责生成两个bounding box。然后再判断对应的bounding box可不可用

yolo系列方法

yolov1：
  将原图划分为S*S个子区域，每个区域负责生成B个bounding box的四个边界信息，以及这两个box可以作为最终结果的置信度以及这两个box的类别信息。

yolov2：
  在v1的基础上：加入了batch normalization 防止梯度消失/以及使用联合训练的方法；基于联合训练得思想，用分类数据训练分类网络，检测数据训练学习识别物体位置

yolov3：
  改进了基础block，使用二分类交叉熵损失函数

RCNN系列方法

RCNN：
  将输入图像用selective search的方法生成很多候选区。利用与iou标注正确的结果之间的iou loss确定此候选区可不可用。用神经网络判定候选区类别。

fast rcnn：
  基于RCNN改进有几点：
  RCNN是生成bounding box之后一个个去判断分类。而fast是将图像的特征和所有的bounding box一起通入一个ROI Pooling层。

faster rcnn：
  生成bounding box 的方法使用了 Region Proposal Networks会快很多

目标检测中的不平衡

  类别不平衡：有的类别出现的多，有的类别出现的少
  尺度不平衡：各个类别bounding box 大小不一致
  目标函数不平衡：iou loss 和分类的交叉少loss的权重需要确定

元学习

1.结合基于序列的神经网络
  总所周知，基于序列的神经网络可以记忆以往的特征以及结果，那么新输入的数据就可以利用记忆进行匹配从而准确的得出结果

2.学习如何梯度下降
  就是对新输入的少样本学习如何梯度下降。。。。

3.基于度量的方法

(1)一个是两两匹配，即在支撑集上训练一种度量两两之间相似度的网络，让同类之间的相似度最大，
不同类之间的相似度最小。那么对于测试集数据，将它与不同类别一一匹配，相似度最高的类就是它的类。

(2)训练一个特征提取器，在特征上做聚类

(3)基于一对多的匹配思想，同样是提取特征，然后利用特征进行匹配，只不过此种方法还是用神经网络匹配而且不是一对一，是一对多直接得出结果。

感觉目前所谓的元学习，都是套娃，利用早就比较成熟的模型拿过来在少样本情况下处理一下。。。