目录
1. one-stage object detection（首个）
SSD
主要思想
将bounding boxes的输出空间，离散为不同尺度特征图各个位置上一组不同尺度和宽高比的default boxes（anchors）。
要点
1. default box (anchor)
针对每个default box，预测目标类别，并输出offset调整预测框。
SSD给每个预测特征层上各位置都分配了default boxes，输出的预测框offset是针对default box而言的。假设某特征层上的各位置有k个default boxes，每个box输出 c（包含背景类别c0）个class score，以及4个定位offset，则每个位置共需要 (c+4)k 个filters。
【注】R-CNN系列的回归器是 class-specific 的；而SSD的回归器不关注default box所属的类别。
2. Multiple Feature Maps
SSD 结合不同尺度的feature map的预测结果。
大feature map预测小目标；小feature map预测大目标。
缺陷
1. 需要手动设置default box的尺度和宽高比。
2. 对小目标的检测性能不佳。
YOLO
主要思想
将目标检测当做回归任务，将整张图像直接输入网络，进行端到端的优化。
把原始图片resize成固定尺寸（448×448）→ 将图像输入CNN进行预测 → 进行NMS后处理
要点
1. one-stage object detection（首个）
YOLO将整张图像直接输入网络，使用图像的全局信息做预测，学习到的特征更加通用。
2. grid cell
YOLO将输入图片分割成 S×S 个grid cell，目标的中心落在哪个cell，就由该cell负责预测那个目标。每个grid cell 预测 B 个bounding boxes，以及 C 个条件类别概率 Pr(Classi | object)（已知是目标的条件下，是第i个类别的概率）；每个bounding box 输出 （x,y,w,h）4个坐标 以及 1个confidence（置信度） score ：Pr(object)*IOU。
测试时，Pr(Classi | object)*Pr(object)*IOU = Pr(Classi)*IOU，得到第i个类别的confidence score，可以用于过滤bounding box。
YOLO 输出 S×S×(B*5+C)的tensor。
【注】confidence score包含两部分内容：判断为目标的自信程度（不分类别）+ bounding box定位的准确程度。预测时，YOLO并不会分别给出Pr(object)和IOU，而是直接给出confidence score。
3. 损失函数
采用 sum-squared error（误差平方和）损失。
缺陷
召回率低，定位性能不佳，尤其对于小目标和密集目标，原因包括：
1. 最多只能生成 7×7×2=98个 boudning box，每一个cell 给出的2个bounding box只能属于同一个类别，且只选其中IOU最大的一个来预测目标（因此漏检多，误检少）；
2. 只在一个尺度的feature map上进行预测，丢失底层特征；
3. 没有使用anchor，而是让模型直接预测bounding box的坐标，难度较大。
YOLO V2
改进（针对YOLO V1）
1. Batch Normalization
BN将神经元输出压缩到激活函数的非饱和区，加快收敛。
2. High Resolution Classifier
进行分类预训练时就使用448×448的图像提升分辨率（YOLO V1用224×224分辨率的图像在分类器上预训练，训练检测任务时将分辨率提升至448×448）。
3. Anchor Boxes
YOLO V1直接预测bounding box的坐标，V2借鉴Faster R-CNN 的anchor机制，在anchor（先验框）的基础上输出offset，使得网络更易学习。
4. Dimension Clusters
改进Faster R-CNN、SSD人工提取anchor box的做法，采用k-means聚类的方法，自动选择更好的先验框。
5. Direct location prediction
Faster R-CNN、SSD中回归器预测的目标中心点offset是相对于anchor而言的，且取值不受任何约束，因此预测框中心可能出现在图像的任意位置；YOLO V2预测的offset是相对于grid cell 左上角位置而言的，经过sigmoid激活，将预测边界框的中心限制在当前cell中。
【注】V1直接预测 confidence score；V2则是预测 t0，再计算 σ(t0) 作为confidence score。
6. Passthrough Layer
引入passthrough layer，结合更底层的特征信息。
7. Multi-Scale Training
训练时，每10个batch就随机更新输入图像的像素值大小，增强网络对于不同像素图像的鲁棒性，并产生某种程度上的数据增强效果。
8. Simplify the Network
采用 Darknet-19作为骨干网络，共用19个卷积层，只需计算19层参数，使得模型更加简洁。并且加入了全局平均池化层，使得YOLO V2可以输入任意尺度的图像。
YOLO V3
改进（针对YOLO V2）
1. 损失函数
1）样本选择
只有正样本对分类和定位损失产生贡献；负样本只影响置信度损失。
正例：与GT的IOU最大的先验框，每个GT只分配一个prior（不同于Faster R-CNN），即有几个GT就有几个正例；
负例：与GT的IOU＜0.5的先验框；
忽略：与GT的IOU＞0.5且非最大的先验框。
2）定位
采用sum of squared error loss，即 ∑(标签值-预测值)²。
3）置信度
采用logistic regression计算置信度（BCE）。与ground truth（GT）中心点对齐后IOU最大的anchor负责拟合该GT，且置信度为1（在V1/V2中，正样本bounding box的置信度为与GT的IOU）。
4）分类
将多分类任务当做多个二分类任务，彼此之间非互斥。每个预测框对各个类别逐一使用logistic regression（BCE）输出概率，允许多个类别输出高概率。
2. FPN + Residual
YOLO V3 引入 FPN 和 Residual blocks， 融合不同尺度的特征，在三个尺度的feature map上分别进行预测。
针对COCO数据集（80个类别），YOLO V3 的每个预测特征层输出 N×N×[3*(4+1+80)] 的tensor，其中 N 为特征层尺度，每个位置有3个不同尺度的先验框，4 代表bounding box offset，1 代表 objectness/confidence。
缺陷
定位性能依然不佳，其中小目标定位性能增强，中、大尺寸目标定位性能下降。
2070
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
