目标检测模型(YOLO、R-CNN)

目标检测模型

YOLO

YOLO1

预先定义候选区（固定）
49 * 2 候选区
速度快/很粗糙

YOLO2

1. Batch Normalization（批量正则化）
2. High Resolution Classifier（高分辨率分类器）
3. Convolutional With Anchor Boxes（带Anchor Boxes的卷积)
4. Dimension Clusters（维度聚类）
5. New Network（新的网络
   Darknet-19
   模型的mAP值没有显著提升，但计算量减少了
6. Batch Normalization（批量正则化）
7. Direct location Prediction（直接定位预测）
8. 细粒度特征（Fine-Grained Features）
9. 多尺度训练（Multi-Scale Training）
   完全卷积网络，没有全连接层，可以接收大小变化的图像

YOLO3

改进:
1、新网络结构：Darknet-19的基础上引入了残差块，并进一步加深了网络，改进后的网络有53个卷积层，取名为Darknet-53
2、用逻辑回归替代softmax作为分类器；
3、融合FPN（特征金字塔网络），实现多尺度检测。
4、多尺度预测

YOLO4

主要改进

1. 输入端
   1、Mosaic数据增强:随机缩放，随机裁剪，随机排布的方式进行拼接
   模型更获得更多相关或不相关的上下文信息，学习到更加鲁棒的特征
   2、自对抗训练（SAT，Self Adversarial Trainning）
   3、CmBN（交叉小批量归一化）：BN策略可以缓解梯度消失、过拟合，增加模型稳定性
   CmBN是CBN的修改版，CBN在第t时刻，也会考虑前3个时刻的统计量进行汇合

2. Backbone
   1、CSPDarknet53 ：csp

   2、Mish激活函数：f(x) = x*tanh(log(1+e^x)),更适合于深度模型

   3、Dropblock策略：Dropblock是一种针对卷积层的正则化方法
   在特征图上通过dropout一部分相邻的区域，使得模型学习别的部位的特征，从而表现出更好的泛化能力

3. Neck
   1、SPP模块：使用k={1x1, 5 x 5, 9 x 9, 13 x 13}最大池化操作，再将不同尺度的特征图进行Concat融合

   2、FPN + PAN：
   FPN指特征金字塔：其思想是将高层次卷积得到的较小特征图进行上采样，和低层次较大的特征图进行特征融合（自顶向下），这样做的优点是将高层次较强的语义特征传递下来

   PANet（Path Aggregation Network，路径聚合网络）：FPN的后面添加一个自底向上的特征金字塔，将低层次强定位特征传递上来（自底向上），从而形成对FPN的补充

4. Head
   1、CIOU_loss

   GIOU_loss：在IOU的基础上，解决了边界框不重合的问题

   DIOU_loss：在IOU和GIOU的基础上，考虑了边界框中心点距离的信息

   CLOU_Loss: 在DIOU的基础上，考虑边界框宽高比的尺度信

   CIOU_loss在定义预测box、真实box损失值时，考虑了重叠面积大小、中心点距离、长宽比例，定位更加精确

   2、DIOU_NMS

   NMS主要用于预测框的筛选，YOLOv4使用DIOU来进行NMS（即选择DIOU最大的值）

R-CNN

R-CNN

	mAP平均准确率均值
	每个类别求平均准确率--》再求均值
	端对端：同一个模型出入，同一个模型产生最终输出
	
	解决问题：
		两阶段方式检测目标物体
		
	采用的方法：
		通过SS算法产生2K左右候选区
		分别对这些候选区域进行卷积，得到候选区域特征图
		将特征图送入后面的分类/回归模型

Fast R-CNN

	采用的方法
		通过SS算法产生2K左右候选区
		对整个图像进行卷积，得到整个图像特征图
		通过ROI pooling映射算法，取出候选区的特征图，送入后面的分类/回归模型
		
ROI pooling：候选区大小不一，通过ROI pooling统一大小，方便后面定义权重

Faster R-CNN

	RPN网络
		Region Proposal Network（区域提议网络）
			专门用来从特征图生成候选区域的网络
			
	Anchors
		（锚点）指由一组矩阵，每个矩阵对应不同的检测尺度大小
			9个矩形共有三种形状，即1:1, 1:2, 2:1，即进行多尺度检测。
			
	Bounding box regression
		物体识别完成后，通过一种方式对外围框进行调整，使得和目标物体更加接近
		
	采用的方法
		主要改善了候选区域产生方式，利用RPN网络
		从特征图（而不是原图）上产生候选区域
		引入了Anchor Box检测技术,提高检测精度