莫一丞元

简介YOLT是基于YOLO算法进行改进的高效卫星图像目标检测算法，主要针对高分辨率输入和密集小物体进行了优化。在YOLO的基础上提出了一种两阶段的算法架构，不仅可以适应多尺度的检测，同时达到了F1>0.8的结果，最后还探究了分辨率和物体大小对于检测的影响，并发现只需要五个像素的大小就可以实现目标检测。文章主要从深度学习对于卫星图像目标检测的缺陷出发，提出了改进的细粒度的目标检测网络结构。同时为了解决检测不变性的问题进行了大量的数据增强。卫星图像存在的挑战·空间范围较小：在卫星图像中，感兴趣

相对于前几期版本yolov4做出的改变：不增加计算损耗的trick（Bag of freebies）:像素级数据增强（亮度、对比度、色彩、饱和度、噪声；随机尺度、裁剪、翻转、旋转）模拟目标遮挡（Random Erase、Cutout、Hide-and-seek、Grid-mask；Dropout、DropConnect、DropBlock）使用多张图混合增强（Mixup、CutMix）样本不平衡问题（困难样本挖掘（HEM、OHEM）、Focalloss）Oneho.

背景YOLO是一种端到端的目标检测模型。YOLO算法的基本思想是：首先通过特征提取网络对输入特征提取特征，得到特定大小的特征图输出。输入图像分成grid cell，接着如果真实框中某个object的中心坐标落在某个grid cell中，那么就由该grid cell来预测该object。每个object有固定数量的bounding box，YOLO v3中有三个bounding box，使用逻辑回归确定用来预测的回归框。先分析一下yolo_v3上保留的东西：l “分而治之”，从yolo_v1开始，y

背景新的YOLO版本论文全名叫“YOLO9000: Better, Faster, Stronger”，是作者rbg（RossGirshick）于2016年发表。主要有两个大方面的改进：第一，作者使用了一系列的方法对原来的YOLO多目标检测框架进行了改进，在保持原有速度的优势之下，精度上得以提升。VOC 2007数据集测试，67FPS下mAP达到76.8%，40FPS下mAP达到78.6%，基本上可以与Faster R-CNN和SSD一战。这一部分是本文主要关心的地方。第二，作者提出了一种目标分类与

背景根据 YOLO官网 对它的解释，YOLO：Real-TimeObject Detection. You Only Look Once（YOLO）是一个最先进的实时的目标检测系统。这是继RCNN，fast-RCNN 和 faster-RCNN之后，rbg（Ross Girshick）大神挂名的又一大作，起了一个很娱乐化的名字：YOLO。 虽然目前版本还有一些硬伤，但是解决了目前基于DL检测中一个大痛点，就是速度问题。 其增强版本GPU中能跑45fps，简化版本155fps。下面为一个对比图：具

网络主要是由一系列的1x1和3x3的卷积层组成（每个卷积层后都会跟一个BN层和一个LeakyReLU)层。网络中有53个convolutional layers，所以叫做Darknet-53（2 + 12 + 1 + 22 + 1 + 82 + 1 +82 + 1 + 4*2 + 1 = 53 ，不包括Residual中的卷积层，最后的Connected是全连接层也算卷积层，一共53个。下图就是Darknet-53的结构图，在右侧标注了一些信息方便理解。（卷积的strides默认为（1，1），paddi