1.目標(biāo)檢測中的兩類方法

兩種進行目標(biāo)檢測任務(wù)的深度學(xué)習(xí)方法：

• 分類：深度學(xué)習(xí)的目標(biāo)檢測的方法可以分為兩類，分別是一階段方法和二階段方法。
• 一階段方法：YOLO系列模型都是一階段方法，這一類方法可以一步到位地使用卷積神經(jīng)網(wǎng)絡(luò)進行特征提取并輸出標(biāo)注框。
• 兩階段方法：兩階段階段方法包括Faster-RCNN和Mask-RCNN等，在進行目標(biāo)檢測時，這一類方法會在第一個階段中找出一些可能的邊界框作為候選，這一步相當(dāng)于一個初選，在第二個階段再從候選的邊界框中找出最優(yōu)的邊界框作為目標(biāo)檢測結(jié)果。

兩類目標(biāo)檢測方法的比較：

• 一階段網(wǎng)絡(luò)：單階段網(wǎng)絡(luò)的核心優(yōu)勢在于速度會非?？欤虼诉m合做實時檢測任務(wù)（如視頻處理），但是缺點在于效果通常情況下不太好。
• 兩階段網(wǎng)絡(luò)：兩階段網(wǎng)絡(luò)的效果一般會比單階段網(wǎng)絡(luò)好，但是速度遠低于實時任務(wù)的要求。

目標(biāo)檢測算法的評價指標(biāo)：衡量目標(biāo)檢測算法的兩個指標(biāo)分別是MAP和FPS。MAP用于衡量算法的預(yù)測能力；FPS用于衡量算法的運行速度。

2.目標(biāo)檢測的評價指標(biāo)

精確率和召回率：

• 精確率和召回率的定義：精確率是指正確預(yù)測為正類的樣本占所有預(yù)測為正類的樣本的比例；召回率是指正確預(yù)測為正類的樣本占所有實際為正類的樣本的比例。
• 目標(biāo)檢測任務(wù)中作用的概述：對于目標(biāo)檢測任務(wù)，精確率是指對于圖像中每一個標(biāo)注的物體檢測效果好不好；召回率是指對圖像中每一個標(biāo)注的物體是否都檢測到了。
• 存在的問題：在大部分問題上，精確率高時召回率就低，召回率高時精確率就低。

IOU指標(biāo)：也就是交集并集比。是指兩個邊界框的交集面積和并集面積的比值。這個比值越高，說明預(yù)測的效果越好。

置信度閾值：

• 每一個目標(biāo)檢測框都會帶有一個置信度，表示該邊界框中的內(nèi)容是被檢測的物體的概率。
• 如果這個概率值大于一定的置信度閾值，才保留對應(yīng)的目標(biāo)檢測框。

map指標(biāo)：結(jié)合精確率、召回率、IOU指標(biāo)和置信度閾值的綜合評價指標(biāo)。map值其實是精確率與召回率曲線與橫縱坐標(biāo)軸所圍成的面積大小。對于目標(biāo)檢測任務(wù)，MAP值越大表示效果越好。

3.YOLO V1

YOLO的含義：YOU ONLY LOOK ONCE。

YOLO v1的提出時間：2016年。

YOLO v1的核心思想：

• 首先將一張圖片分為指定大小(7×7)的多個網(wǎng)格；
• 只關(guān)注待檢測物體的中心點落在哪個網(wǎng)格中，則由該網(wǎng)格負責(zé)對待檢測物體進行預(yù)測。
• 根據(jù)經(jīng)驗先確定兩種不同長寬比的檢測框，并在模型過程中通過IOU值選擇其中一個，如果該檢測框的置信度高于一定的閾值，則對其長寬進行調(diào)整。
• 調(diào)整的過程相當(dāng)于一個回歸預(yù)測的過程。調(diào)整完成后得到最終的預(yù)測檢測框。

每個網(wǎng)格的輸出值：對于每一個網(wǎng)格，需要預(yù)測出兩組值，是指該網(wǎng)格對應(yīng)的檢測框的中心坐標(biāo)(x,y)，以及檢測框的長寬數(shù)據(jù)，同時還需要一個置信度。

YOLO v1的輸入圖像大小：448×448。之所以YOLO v1的輸入大小不能改變，是因為網(wǎng)絡(luò)結(jié)構(gòu)中有全連接層的存在，這一點在后續(xù)的版本中有相應(yīng)的改進。

YOLO使用相對坐標(biāo)值：在YOLO模型中，候選框的坐標(biāo)值并非絕對坐標(biāo)值，而是相對坐標(biāo)值。

YOLO v1輸出結(jié)果解釋：YOLO V1的輸出結(jié)果可以表示為7×7×30。其中的7×7表示每個網(wǎng)格中的像素個數(shù)；30可以拆分為20和10：20表示屬于20個類別對應(yīng)的概率，10表示兩個目標(biāo)檢測框各自的(x,y,w,h,c)，其中的c表示置信度。將輸出結(jié)果更加一般化。假設(shè)每個網(wǎng)格的像素為S×S，每個網(wǎng)格分配的目標(biāo)檢測框個數(shù)為B，需要進行的多分類類別數(shù)為C，那么網(wǎng)絡(luò)最終的預(yù)測結(jié)果為(SS)(B*5+C)。

YOLO v1中的損失函數(shù)：

• 位置誤差損失函數(shù)：通過一定的計算衡量預(yù)測框與真實框之間的位置和大小差異。
• 置信度誤差損失函數(shù)：通過一定的計算衡量預(yù)測框和真實框之間的置信度誤差。需要分為含有待檢測物體和不含有待檢測物體的兩部分函數(shù)，之所以需要分開，是因為背景和物體的比例不均衡，因此兩個損失函數(shù)的權(quán)重也不相同。
• 分類誤差損失函數(shù)：對于分類的正確和錯誤的情況需要設(shè)置一個額外的損失函數(shù)。
• 總體損失函數(shù)：總體損失函數(shù)是其他幾種損失函數(shù)相加的結(jié)果。

非極大值抑制（NMS）：非極大值抑制用于處理這樣一個問題：如果對于同一個目標(biāo)，同時存在多個大于IOU閾值的相互之間有部分重疊的候選框，那么我們只選擇其中置信度最高的候選框作為最終結(jié)果。

YOLO V1的問題：

• 難以檢測重合在一起的目標(biāo)；
• 不方便完成多標(biāo)簽分類任務(wù)以及小物體的分類任務(wù)。

4.YOLO V2

YOLO V2的改進細節(jié)：

• 批量歸一化技術(shù)：YOLO V2版本丟棄了YOLO V1中的Dropout層，卷積之后全部加入批量歸一化。網(wǎng)絡(luò)的每一層輸入都做了歸一化，更加容易收斂。

備注：從現(xiàn)在的角度來看，批量歸一化處理已經(jīng)成為了網(wǎng)絡(luò)的必備處理方式，可以有效提高網(wǎng)絡(luò)的效果。這是因為歸一化可以有效地優(yōu)化每一層的輸出結(jié)果防止其跑偏，更加容易收斂。

• 更高的分辨率：在訓(xùn)練過程的最后使用更高分辨率的圖像對模型進行微調(diào)。這樣處理后的模型的MAP值得到的明顯提高。
• 舍棄全連接層：YOLO V2中舍棄了全連接層，從而避免了全連接層容易過擬合和訓(xùn)練速度慢的問題。
• Darknet網(wǎng)絡(luò)結(jié)構(gòu)：YOLO V2中的Darknet網(wǎng)絡(luò)結(jié)構(gòu)越簡單，速度越快；Darknet網(wǎng)絡(luò)結(jié)構(gòu)越復(fù)雜，模型效果越好，但是速度也會變慢。Darknet的輸入大小為416×416。
• 更大的網(wǎng)格：相較于YOLO v1中的7×7的網(wǎng)格大小，YOLO v2中采用13×13的網(wǎng)格大小，這樣可以獲得更多的特征。
• 更小的卷積核：YOLO V2中采用的卷積核都比較小，這樣就使得感受野會變得更大。
• 更多長寬比例的先驗框：Faster-RCNN中選擇的常規(guī)的先驗比例來制定九種先驗框，但是這個方法不一定完全適合數(shù)據(jù)集。YOLO V2中采用聚類的方式提取先驗框。具體的聚類方法是，對圖像原始數(shù)據(jù)集中的邊界框進行聚類，按照長寬的大致比例將邊界框分為多類。接著，將每一個簇選出一個中心點，并將中心點的數(shù)值作為先驗框的大小。所以，這樣得出的先驗框比例更加具有說服力。這里的聚類中的聚類使用1-IOU表示。聚類方式是K均值聚類算法。聚類的個數(shù)是通過參數(shù)比較得出的，最終得出的K值是5。

備注：候選框種類增加并不會增加MAP值，但是可以增加召回率的值。也就是說，可以盡可能避免圖像中的物體不被檢測出來的情況。

感受野：

• 感受野的概念：感受野就是指特征圖上的一個點能夠看到原始圖像中的多大區(qū)域。特征圖中的每個點都相當(dāng)于原始圖像中與卷積核大小相同的一個區(qū)域的內(nèi)容。因此，感受野越大越能識別到一個大區(qū)域內(nèi)的特征或物體內(nèi)容。
• 感受野的大小的理解：卷積的次數(shù)越多，特征更加深層和抽象。這可以視為最終感受野很大的效果。
• 堆疊多個小卷積層：之所以需要堆疊多個小卷積層而不是使用一個大的卷積層。這是因為堆疊小的卷積核需要的參數(shù)更少，并且卷積過程越多，特征提取也會更加細致。這也是VGG網(wǎng)絡(luò)的基本出發(fā)點：用小的卷積核來完成特征提取操作。

特征融合的改進方法：如果只關(guān)注最后一層卷積層的特征圖，那么就會丟失小目標(biāo)的信息，因此需要融合之前的特征。為了將多個階段的特征圖放在一起處理，因此需要將不同形狀的特征圖進行形狀轉(zhuǎn)換，并拼接在一起進行處理。

5.YOLO V3

YOLO v3的改進細節(jié)：

• 網(wǎng)絡(luò)結(jié)構(gòu)改進：最大的改進在于網(wǎng)絡(luò)結(jié)構(gòu)，使得其可以更加適合于小目標(biāo)檢測。
• 先驗框的選擇更加豐富：YOLO V3中有了更加類型豐富的先驗框，一共3種比例，每種3個規(guī)格。
• 改進版本的Softmax函數(shù)：YOLO V3中使用了改進版本的Softmax函數(shù)，用于預(yù)測多標(biāo)簽任務(wù)。
• 特征融合的改進方法：圖像金字塔（之前比較流行）。這是指將圖像先規(guī)格化為不同的尺度后融合在一起，但是由于速度較慢現(xiàn)在已經(jīng)較少使用。另外一種是分別得到不同規(guī)格大小的特征圖后，將不同規(guī)格的特征圖疊加融合在一起。融合之后就避免了對不同大小的特征圖都要進行一次分析。
• 采用殘差連接方法：YOLO V3中也使用了Resnet的思想，通過堆疊更多的層來進行特征提取。
• 去除全連接層和池化層：除了沒有全連接層外，同時也去除了會壓縮特征圖效果的池化層。

備注：Resnet很好地解決了深度神經(jīng)網(wǎng)絡(luò)越深效果越差的問題。其核心在于使用了殘差連接的方法。殘差連接就是對于神經(jīng)網(wǎng)絡(luò)中，如果經(jīng)過某一層網(wǎng)絡(luò)效果下降，那么就從支路繞過這一層。文章來源地址http://www.zghlxwxcb.cn/news/detail-410361.html

到了這里，關(guān)于深度學(xué)習(xí)（目標(biāo)檢測）：YOLO網(wǎng)絡(luò)學(xué)習(xí)筆記（YOLO v1，YOLO v2和 YOLO v3）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！