【计算机视觉CV | 笔记】one-stage目标检测总结

前言

笔者只是一名学生，初入CV领域，写这篇的目的是帮助自己梳理学习过的内容，且为大家学习提供或许有用的学习材料。文末附手写笔记。

目录

YOLOv1、YOLOv2、YOLOv3、其他方法（RetinaNet、SSD、anchor free）、mAP

一、YOLOv1【2015】

1、主要思想
将图片分成S×S的小格子，某个物体的中心落在某个小格子上，该cell将负责预测这个物体。
每个cell对应B个bbox（bbox是网络生成的，不像人为指定的anchor），每个bbox对应5个值，分别为x,y,h,w,confidence，分别代表bbox的位置长宽和该cell是目标的置信度。
最终输出即为 S×S×(B×2+10)，文章中S=7，B=2。

2、Loss Function

注意：网络输出为S×S×（B×2+10），label需要转换为对应格式才能计算loss
2.1 Loss、框的回归损失
2.2 loss、置信度损失（是否有物体）
2.3 loss、分类损失

一些问题
a、为什么w和h需要开根号？抑制大框的影响
b、2.2loss中为什么还需要考虑noobj的？为了考虑到负样本，否则全预测为背景loss就很小了，因为有目标的cell占比很少只有3个cell共有49个
c、每个cell对应两个bbox，用哪个bbox的坐标来回归？confidence较大的bbox

3、优缺点总结
pros：速度快，可达45fps，当时较快的faster rcnn也只有18fps
cons：
a、一个cell只负责预测一个物体，但如果2个物体都落在这个cell内呢？即不适合与密集目标
b、S=7，格子较大。不适合于小物体
c、bbox的width-height ratio是由train得到的，测试时若有新的w/h则不适应
d、没有BN，训练较慢

二、YOLOv2【2016】

1、改进点
a、add BN
b、High Resolution Classifier（focusing on backbone）
原本的bcakbone是在ImageNet上训练的，大大部分都是224×224&#x