计算机视觉. 目标检测： Yolo系列网络学习笔记

目录

V1

V2

9000

V3

总结

---

视频链接：

https://www.bilibili.com/video/BV1RS4y1u7bA?p=46https://www.bilibili.com/video/BV1RS4y1u7bA?p=46

V1

GT=Ground Truth

每个格子预测B（一般为2）个bounding box（它们都是同一个类别），每个bounding box包括检测框位置、置信度

每个格子只预测一个物体（置信度最高的），这是yoloV1的缺陷

每个格子输出向量：5B+C，5代表x、y、w、h、c（置信度）

例如：通过两个3*3代替一个5*5，降低参数量，增加模型深度

关于预训练：ImageNet 预训练 - 知乎

在Loss设置时并没有考虑小目标对IoU的影响较大

V2

使用anchor box而不是简单的回归

主干网络：DarkNet

可以改变输入图像尺寸，进行多尺度训练，因此可以融合细粒度特征

V1中，预训练与最终使用的分辨率存在差异，分类与检测模型存在不一致性

思路：使用卷积代替全连接，需要(S*S)*(5B+C)输出，因此令卷积输出的特征图大小为(S*S)，通道数为(5B+C)，从而效果相同。

为什么使用416*416，而不是448*448呢？32倍下采样，得到13*13（奇数）而不是14*14，从而存在一个网格位于图像的正中心。

预测的bonding box，由7*7*2变为13*13*9>1000，小幅度降低了map，大幅度提升了召回率

通过跳层连接，将浅层特征直接与深层特征连接，粗粒度与细粒度融合

yoloV1每个cell的类别只预测一个类别，即便有B个box。在V2中，每个box对应一个类别概率。

(5B+C) -> B*(5+C)

9000

归功于采用了WordTree结构，将COCO（检测：粗粒度分类）与ImageNet（分类：细粒度分类）数据集融合。

构建两种数据集类别的层次关系。从而一幅图片存在层次上的多个类别标记。

softmax时候考虑label与label之间的关系。

V3

9个聚类中心，进行聚类，分到3个尺度上，每个尺度对应3个聚类中心

总结