[神经网络与深度学习]算法估计，YOLO，语义分割，风格迁移

一：算法评估

P（精确率）=TP/(TP+FP)

R（召回率）=TP/(TP+FN)

精度=(TP+TN)/(TP+FP+TN+FN)

其中TP为被正确地划分为正例的个数，FP为被错误地划分为正例的个数，FN为被错误地划分为负例的个数，TN为被正确地划分为负例的个数。

均值平均准确率mAP：

对于每一个类别均可确定对应的AP，在多类的检测中，取每个类AP的平均值，即为mAP

二：YOLO

早期的目标检测算法采用滑动窗口的方法，该方法会带来滑动次数太多，计算太慢 以及目标大小不同，每一个滑动位置需要用很多框等问题，经过改进将目标分类检测和定位问题合在一个网络里，称为一步法（YOLO）。

YOLO网络的官方模型结构图：

YOLO损失函数：

三：语义分割

与目标检测不同，语义分割找到同一画面中的不同类型目标区域，可以识别并理解图像中每一个像素的内容，语义区域的标注和预测是像素级的。

1.基本操作

转置卷积：假设有一个2*2的输入张量和一个2*2的核张量，计算转置卷积就是将输入张量的每个张量乘以核张量，再将得到的结果相加。如图所示：其中转置卷积的步幅为1.

实现上述的转置卷积：

def trans_conv(X, K):
    h, w = K.shape
    Y = torch.zeros((X.shape[0] + h - 1, X.shape[1] + w - 1))
    for i in range(X.shape[0]):
        for j in range(X.shape[1]):
            Y[i: i + h, j: j + w] += X[i, j] * K
    return Y

X = torch.tensor([[0.0, 1.0], [2.0, 3.0]])
K = torch.tensor([[0.0, 1.0], [2.0, 3.0]])
trans_conv(X, K)

还可以通过pytorch自带的函数实现：可以设置填充，步幅大小以及是否有偏置。

tconv = nn.ConvTranspose2d(1, 1, kernel_size=2, padding=2, stride=2, bias=False)
tconv.weight.data = K
tconv(X)

2.全卷积网络（FCN）

FCN采用卷积神经网络实现了从图像像素到像素类别的变换。

FCN网络模型：卷积部分

反卷积部分：

四：风格迁移

风格迁移即为使用卷积神经网络，自动将一个图像中的风格应用在另一图像之上。这里我们需要两张输入图像：一张是内容图像，另一张是风格图像。 我们将使用神经网络修改内容图像，使其在风格上接近风格图像。

步骤：
（1）初始化合成图像

（2）选择一个预训练的卷积神经网络来抽取图像的特征，其中的模型参数在训练中无须更新。

（3）通过前向传播计算风格迁移的损失函数，并通过反向传播迭代模型参数，即不断更新合成图像。

（4）模型训练结束时，输出风格迁移的模型参数，得到最终的合成图像。

内容代价函数

风格代价函数

、

总体代价函数