改進(jìn)

R-CNN	縮放圖片
SPPNet	允許不同大小輸入，SPP(pooling)歸一化到相同尺寸
Fast RCNN	1.SPP->Rol pooling;2.改進(jìn)邊框校準(zhǔn)Smooth L1 loss；3.全連接加速Truncated SVD
Faster RCNN	RPN直接生成候選框（共享CNN),anchor box
Mask R-CNN	實(shí)例分割；RolPool->RolAlign
Cascade RCNN	級(jí)聯(lián)多個(gè)Detection Head;提高交并比
FPN	物體尺度變化大（充分利用CNN 結(jié)構(gòu)對(duì)淺層補(bǔ)償
SNIP/SNIPER/AutoFocus	多尺度輸入+ 單尺度模型（不同的輸入尺度上處理不同尺度的物體
YOLO	單階段檢測(cè)；anchor box；fc->RCNN;圖像網(wǎng)格劃分
SSD	單階段，RPN權(quán)卷積，anchor box;多尺度
corner Net	Anchor Box->Corner;corner pooling單方向的pooling

RCNN

生成少量候選框（selective search）

• 圖像分割
• 層次化地區(qū)域合并

用CNN提取候選框內(nèi)的特征

• 縮放到相同大小
• 送入AlexNet提取特征
• 以最后的全鏈接層的輸出作為特征表示
• 有監(jiān)督預(yù)訓(xùn)練+微調(diào)

候選框分類

• SVM
  • 一對(duì)多的而分類
• softmax
  • CNN+softmax-直接出結(jié)果
  • 多類分類
• 邊框校準(zhǔn)
  • 讓檢測(cè)框貼著物體

SPPNet

• R-CNN：要把候選框變換到相同的大小
  • 裁剪丟失信息，縮放變形
• SPPNet：(對(duì)整個(gè)網(wǎng)絡(luò)卷積，去除重復(fù)計(jì)算
  • CNN:允許任意大小的圖片輸入到網(wǎng)絡(luò)
  • SPP:歸一化到相同大小（spatial pyramid pooling
  • 全連接：要相同大小的輸入
• SPPNet和R-CNN都包含多個(gè)單獨(dú)的步驟–慢
  • 微調(diào)
    • RCNN-對(duì)整個(gè)CNN
    • SPPNet-只對(duì)全連接層
  • SVM&邊框
    • 時(shí)間長(zhǎng)：需要cnn提取所有特征
    • 占用空間大

Fast RCNN

• 保留SPPNet的優(yōu)勢(shì)SPP–簡(jiǎn)化為單尺度的Rol pooling
• 引入多任務(wù)學(xué)習(xí)，將多個(gè)步驟整合到一起
• 改進(jìn)邊框校準(zhǔn)：Smooth L1 loss
• 全連接層加速：Truncated SVD

Faster RCNN

• 專門的候選框模塊是速度瓶頸–直接CNN生成候選框
  • 直接CNN生成候選框（且和第二階段共享卷積層）–RPN
  • 輸入圖，輸出候選框
  • 尺度搜索anchor box–定義一組不同大小的窗口
• 交替訓(xùn)練法
  • ? 交替式4步法訓(xùn)練
    • ? 基于預(yù)訓(xùn)練模型訓(xùn)練RPN
    • ? 基于預(yù)訓(xùn)練模型，以及上一步得到的RPN，訓(xùn)練Fast R-CNN
    • ? 固定共享的卷積層，訓(xùn)練RPN
    • ? 固定共享的卷積層，基于上一步得到的RPN，訓(xùn)練Fast R-CNN
  • ? 端到端訓(xùn)練
    • ? 同時(shí)學(xué)習(xí)RPN和Fast R-CNN
    • ? Fast R-CNN的梯度不向RPN回傳

Mask R-CNN

• 新任務(wù)：實(shí)例分割
• Faster-RCNN中+分割模塊
• RolPool->RolAlign
  

Cascade RCNN

• 檢測(cè)框的位置準(zhǔn)確率：和標(biāo)注狂交并比越高越好
• 級(jí)聯(lián)多個(gè)Detection Head:逐步調(diào)整檢測(cè)框，提升IoU

FPN

• 物體的尺度變化范圍大
• CNN-特征金字塔
• 利用CNN的結(jié)構(gòu)，對(duì)淺層進(jìn)行予以補(bǔ)償

SNIP/SNIPER/AutoFocus

多尺度輸入+單尺度模型
在不同的輸入尺度上處理不同尺度的物體
保證訓(xùn)練和測(cè)試時(shí)輸入的尺度的一致性

單階段檢測(cè)YOLO

• 兩階段檢測(cè)：找候選框->檢測(cè)
  • 單階段YOLO:直接兩個(gè)結(jié)果一起出來(lái)
  • 將目標(biāo)檢測(cè)->回歸問(wèn)題
  • 對(duì)圖像網(wǎng)格劃分
  • RPN:全連接層-》CNN
  • 使用anchor box
• YOLO v2/YOLO 9000
  • 層次化分類
  • 無(wú)框標(biāo)注的類別（弱監(jiān)督）在當(dāng)前概率最大的位置學(xué)習(xí)分類（猜了一個(gè)偽標(biāo)簽——

單階段檢測(cè)SSD

• ?首次給出了“Single-Shot”的說(shuō)法
• ? 類似YOLO的出發(fā)點(diǎn)：不生成Region Proposal，直接輸出檢測(cè)結(jié)果
• ? 借鑒RPN的設(shè)計(jì)：全卷積，Anchor Box Default Box
• ? 引入新的設(shè)計(jì)：多尺度
  • 對(duì)于不同大小的物體（在不同尺度的特征圖上預(yù)測(cè)，用不同的predictor
• ? 訓(xùn)練策略：數(shù)據(jù)增廣，難例挖掘

CornerNet

• AnchorBox:
  • 數(shù)量多，導(dǎo)致正負(fù)樣例不均衡
  • 需要人工定義，且引入了大量超參數(shù)，這些選擇嚴(yán)重依賴于數(shù)據(jù)
• Anchor Box->Corner:將框的預(yù)測(cè)轉(zhuǎn)換為頂點(diǎn)的預(yù)測(cè)和匹配
  • 提取corner預(yù)測(cè)的特征:corner pooling
  • 局部 pooling->在一個(gè)方向上pooling
    

總結(jié)

以上是生活随笔為你收集整理的国科大prml15-目标检测的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。