一、RCNN系列

1、RCNN

RCNN是用于目標(biāo)檢測(cè)的經(jīng)典方法，其核心思想是將目標(biāo)檢測(cè)任務(wù)分解為兩個(gè)主要步驟：候選區(qū)域生成和目標(biāo)分類。

• 候選區(qū)域生成：RCNN的第一步是生成可能包含目標(biāo)的候選區(qū)域，RCNN使用傳統(tǒng)的計(jì)算機(jī)視覺技術(shù)，特別是選擇性搜索（Selective Search)算法，這是一種Region Proposal區(qū)域提議方法，它根據(jù)圖像中的紋理、顏色和形狀等信息來生成潛在的候選區(qū)域。選擇性搜索生成的候選區(qū)域通常數(shù)千個(gè)，因此需要對(duì)這些區(qū)域進(jìn)行裁剪和調(diào)整，以使它們具有相同的大小和縱橫比。
• 特征提?。簩?duì)于每個(gè)候選區(qū)域，RCNN使用深度卷積神經(jīng)網(wǎng)絡(luò)（通常是在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練的AlexNet)來提取特征。這些特征用于表示每個(gè)候選區(qū)域的內(nèi)容。RCNN通過將每個(gè)候選區(qū)域的圖像塊調(diào)整為固定大小，然后通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行前向傳播，得到一個(gè)固定維度的特征向量。
• 目標(biāo)分類：對(duì)于每個(gè)候選區(qū)域，RCNN將提取的特征向量輸入到一個(gè)支持向量機(jī)（SVM）分類器中共，以確定該區(qū)域是否包含感興趣的目標(biāo)物體。RCNN還對(duì)每個(gè)目標(biāo)物體的類別進(jìn)行分類，使用不同的SVM分類器來表示不同的類別。每個(gè)分類器被訓(xùn)練為將包含目標(biāo)物體的候選區(qū)域與不包含目標(biāo)物體的區(qū)域進(jìn)行區(qū)分。
• 邊界框回歸：為了提高目標(biāo)的位置精度，RCNN還使用了一個(gè)回歸器來微調(diào)每個(gè)候選區(qū)域的邊界框，這個(gè)回歸器被訓(xùn)練為預(yù)測(cè)候選區(qū)域與實(shí)際目標(biāo)邊界框之間的差異。
• 訓(xùn)練：RCNN的訓(xùn)練分為兩個(gè)階段，預(yù)訓(xùn)練和微調(diào)。①預(yù)訓(xùn)練階段，卷積神經(jīng)網(wǎng)絡(luò)（Alexnet）在大規(guī)模圖像分類任務(wù)上進(jìn)行與訓(xùn)練，以獲得有用的特征提取器。②微調(diào)階段，使用標(biāo)注的目標(biāo)檢測(cè)數(shù)據(jù)對(duì)整個(gè)RCNN模型進(jìn)行微調(diào)，包括SVM分類器和邊界框回歸器。
• 優(yōu)點(diǎn)和缺點(diǎn)：①優(yōu)點(diǎn)：RCNN在目標(biāo)檢測(cè)上取得了很好的性能，特別是在大規(guī)模目標(biāo)檢測(cè)數(shù)據(jù)集上。它能夠處理不同大小和形狀的目標(biāo)，并且可以適應(yīng)多類別目標(biāo)檢測(cè)。②缺點(diǎn)：RCNN是一個(gè)復(fù)雜的多階段模型，難以實(shí)現(xiàn)端到端的訓(xùn)練，后續(xù)版本（如Fast R-CNN和Faster R-CNN）針對(duì)這些缺點(diǎn)進(jìn)行了改進(jìn)，提高了速度和性能。

2、Fast R-CNN（Fast Region-based Convolutional Neural Network）

Fast R-CNN是在RCNN和Selective Search基礎(chǔ)上提出的改進(jìn)方法，主要?jiǎng)?chuàng)新是將整個(gè)目標(biāo)檢測(cè)流程集成到一個(gè)卷積神經(jīng)網(wǎng)絡(luò)（CNN）種，從而顯著提高了速度和性能。

• 候選區(qū)域生成：不同于RCNN中使用選擇性搜索，F(xiàn)astRCNN使用卷積網(wǎng)絡(luò)直接從輸入圖像中生成候選區(qū)域。使用一個(gè)稱為Region Proposal Network（RPN)的子網(wǎng)絡(luò)，RPN可以高效地生成多尺度和多形狀地候選區(qū)域，這些區(qū)域被稱為錨框（Anchor Boxes）。
• 特征提取：FastRCNN使用卷積神經(jīng)網(wǎng)絡(luò)來提取每個(gè)候選區(qū)域的特征。這些區(qū)域特征被送入網(wǎng)絡(luò)中以進(jìn)行目標(biāo)分類和邊界框回歸。使用卷積層和ROI（Region of Interest）池化層來提取固定維度的特征向量
• 目標(biāo)分類和邊界框回歸：對(duì)于每個(gè)候選區(qū)域，F(xiàn)ast R-CNN使用兩個(gè)并行的全連接層，一個(gè)用于目標(biāo)分類（哪個(gè)類別？）和用于邊界框回歸（目標(biāo)位置）。分類層使用softmax來預(yù)測(cè)目標(biāo)的類別概率，而回歸層用于微調(diào)候選區(qū)域的邊界框。
• 訓(xùn)練：Fast R-CNN進(jìn)行端到端的訓(xùn)練，可以同時(shí)優(yōu)化RPN、目標(biāo)分類和邊界框回歸的損失函數(shù)。訓(xùn)練數(shù)據(jù)包括正樣本（包含目標(biāo)的錨框）、負(fù)樣本（不包含目標(biāo)的錨框）以及他們的標(biāo)簽。

3、Faster R-CNN（Faster Region-based Convolutional Neural Network）

Faster R-CNN 進(jìn)一步改進(jìn)了 Fast R-CNN，將目標(biāo)檢測(cè)模型的速度提高到了一個(gè)新的水平，同時(shí)保持了很高的準(zhǔn)確性。

• 候選區(qū)域生成：Faster R-CNN引入了一個(gè)完全卷積網(wǎng)絡(luò)，作為RPN，用來生成候選區(qū)域。RPN是一個(gè)端到端可訓(xùn)練的網(wǎng)絡(luò)，可以生成候選區(qū)域。
• 特征提取：與Fast-RCNN類似，F(xiàn)aster R-CNN 使用卷積神經(jīng)網(wǎng)絡(luò)來提取候選區(qū)域的特征。
• 目標(biāo)分類和邊界框回歸：Faster R-CNN 與 Fast R-CNN 具有相似的目標(biāo)分類和邊界框回歸步驟。
• 訓(xùn)練：Faster R-CNN 通過聯(lián)合訓(xùn)練 RPN 和檢測(cè)網(wǎng)絡(luò)（包括目標(biāo)分類和邊界框回歸）來優(yōu)化整個(gè)系統(tǒng)。整個(gè)模型可以一次性生成候選區(qū)域并執(zhí)行目標(biāo)檢測(cè)，從而提高了速度。

二、yolo系列

計(jì)算機(jī)視覺領(lǐng)域，目標(biāo)檢測(cè)是一個(gè)十分重要的研究主題， 廣泛應(yīng)用在人臉識(shí)別、車牌識(shí)別、安防、智慧交通、自動(dòng)駕駛等領(lǐng)域。主要經(jīng)典算法有：YOLO

1、YOLOv1

以往的二階段檢測(cè)算法，如Faster-RCNN，在檢測(cè)時(shí)需要經(jīng)過兩步：邊框回歸和softmax分類。由于大量預(yù)選框的生成，該方法檢測(cè)精度較高，但實(shí)時(shí)性較差。YOLO之父Joseph Redmon提出了通過直接回歸的方式獲取目標(biāo)檢測(cè)的具體位置信息和類別分類信息。極大的降低了計(jì)算量，顯著提升了檢測(cè)的速度。達(dá)到了45FPS（Fast YOLO版本達(dá)到了155FPS）。

• 思路：①將輸入圖片縮放至448x448x3大??；②經(jīng)過卷積網(wǎng)絡(luò)backbone提取特征圖；③把提取到的特征圖送入兩層全連接層，最終輸出7x7x30大小的特征圖。更進(jìn)一步講，就是將輸入的圖片整體劃分為SxS的網(wǎng)格（例如7x7），物體中心落在哪一個(gè)格子中，那么該各自就負(fù)責(zé)該物體的檢測(cè)，每一個(gè)格子預(yù)測(cè)B個(gè)邊框，輸出SxS(B*5+C)。對(duì)于YOLOv1而言，常用的是7x7的網(wǎng)格劃分，預(yù)測(cè)2個(gè)邊框，輸出7x7x30，30個(gè)通道包含每個(gè)類別的概率+邊框置信度+邊框位置信息。

• 網(wǎng)絡(luò)結(jié)構(gòu)：骨干網(wǎng)絡(luò)是GoogleNet網(wǎng)絡(luò)，24個(gè)卷積層+2個(gè)全連接層。使用7x7卷積。
• 優(yōu)勢(shì)與不足：①優(yōu)點(diǎn)：與二階段檢測(cè)算法相比，利用直接回歸的方式，大大縮小了計(jì)算量，提升了運(yùn)行速度。②不足：每一個(gè)網(wǎng)格僅有兩個(gè)預(yù)測(cè)框，當(dāng)存在多物體密集挨著或者小目標(biāo)的時(shí)候，檢測(cè)效果不好。

2、YOLOv2

與YOLOv1相比，v2做了三點(diǎn)改變①更換骨干網(wǎng)絡(luò)；②引入PassThrough;③借鑒了二階段檢測(cè)的思想，添加了預(yù)選框。

• 思路：將圖片輸入到darknet19網(wǎng)絡(luò)中提取特征圖，然后輸出目標(biāo)框類別信息和位置信息。
• 網(wǎng)絡(luò)結(jié)構(gòu)：骨干網(wǎng)絡(luò)為darknet19，如下圖所示針對(duì)1000類別的分類任務(wù)，只不過對(duì)于檢測(cè)任務(wù)而言，需要使用3x3卷積（輸出通道1024）取代上表中最后的卷積層，再添加Passthrough操作后，進(jìn)行輸出。已不再使用7x7這樣的大卷積核：

  

• ?技巧1：?PassThrough操作-該方法將28x28x512調(diào)整為14x14x2048，后續(xù)v5版本中的Focus操作類似該操作。將生成的14x14x2048與原始的14x14x1024進(jìn)行concat操作。

  

• ?技巧2：引入anchor，調(diào)整位置預(yù)測(cè)為偏移預(yù)測(cè)借鑒了Faster-RCNN的思想，引入了anchor,將目標(biāo)框的位置預(yù)測(cè)由直接預(yù)測(cè)坐標(biāo)調(diào)整為偏移量預(yù)測(cè)，大大降低了預(yù)測(cè)難度，提升了預(yù)測(cè)準(zhǔn)確性。

• 優(yōu)勢(shì)與不足：①優(yōu)勢(shì)：利用passthrough操作對(duì)高低層語(yǔ)義信息進(jìn)行融合，在一定程度上增強(qiáng)了小目標(biāo)的檢測(cè)能力。采用小卷積核代替7x7的大卷積核，降低了計(jì)算量，同時(shí)改進(jìn)的位置偏移策略降低了檢測(cè)目標(biāo)框的難度。②?尚未采用殘差網(wǎng)絡(luò)結(jié)構(gòu)，且當(dāng)存在多物體密集挨著的時(shí)候或者小目標(biāo)的時(shí)候，檢測(cè)效果有待提升。

3、YOLOv3

針對(duì)YOLOv2的問題，YOLOv3引入了殘差網(wǎng)絡(luò)模塊。①再darknet19的基礎(chǔ)上推陳出新，引入殘差，并加深網(wǎng)絡(luò)深度，提出了Darknet53；②借鑒了金字塔的思想，在三個(gè)不同的尺寸上分別進(jìn)行預(yù)測(cè)。

• 思路：YOLOv3檢測(cè)算法是將圖片輸入到darknet53網(wǎng)絡(luò)中提取特征圖，然后借鑒特征金字塔網(wǎng)絡(luò)思想，將高級(jí)和低級(jí)語(yǔ)義信息進(jìn)行融合，在低、中、高三個(gè)層次上分別預(yù)測(cè)目標(biāo)狂，最后輸出三個(gè)尺度的特征圖信息（52×52×75、26×26×75、13×13×75）。?

  

其中， 52×52 大小的特征圖負(fù)責(zé)檢測(cè)小目標(biāo)， 26×26大小的特征圖負(fù)責(zé)檢測(cè)中目標(biāo)， 13×13大小的特征圖負(fù)責(zé)檢測(cè)大目標(biāo)。下圖中，黃色表示目標(biāo)框真值，藍(lán)色表示3個(gè)預(yù)選框。

?在訓(xùn)練之前，預(yù)先通過聚類的方式生成小，中，大三個(gè)尺寸的預(yù)選框，共9個(gè)。預(yù)測(cè)時(shí)最終會(huì)輸出

3x(20+1+4)的數(shù)據(jù)。一個(gè)目標(biāo)框的輸出數(shù)據(jù)如下：

• ?網(wǎng)絡(luò)結(jié)構(gòu)：骨干網(wǎng)絡(luò)是Darknet53

  

• ?技巧：特征金字塔，該版本借鑒了特征金字塔的思想，只不過與普通的FPN相比略有不同。①選擇融合的層不同；②融合方式不同。對(duì)于普通FPN而言，是將高級(jí)語(yǔ)義的小尺寸特征圖上采樣后與上一層進(jìn)行逐像素相加的融合，融合后尺寸大小和通道數(shù)保持不變。而對(duì)于YOLOv3而言，是將高級(jí)語(yǔ)義的小尺寸特征圖上采樣到SxS后，選擇前面的同為SxS的特征圖進(jìn)行通道方向拼接的融合，融合后，尺寸大小不變但通道數(shù)為兩者之和。
• 優(yōu)勢(shì)：基本解決了小目標(biāo)檢測(cè)的問題，在速度和精度上實(shí)現(xiàn)了較好的平衡。

4、YOLOv4

Alexey Bochkovskiy大神對(duì)YOLOv3進(jìn)行了升級(jí)改造，核心思想與之前基本一致，不過從數(shù)據(jù)處理、主干網(wǎng)絡(luò)、網(wǎng)絡(luò)訓(xùn)練、激活函數(shù)、損失函數(shù)等方面對(duì)子結(jié)構(gòu)進(jìn)行了大量的改進(jìn)。

• 重要升級(jí)：①將CSP結(jié)構(gòu)融入Darknet53中，生成了新得主干網(wǎng)絡(luò)CSPDarknet53；②采用SPP空間金字塔池化來擴(kuò)大感受野；③在Neck部分引入PAN皆否，即FPN+PAN形式；④引入Mish激活函數(shù)；⑤引入Mosaic數(shù)據(jù)增強(qiáng)；⑥訓(xùn)練時(shí)采用CIOU_loss，同時(shí)預(yù)測(cè)時(shí)采用DIOU_nms。
• 網(wǎng)絡(luò)結(jié)構(gòu)：骨干網(wǎng)絡(luò)時(shí)CSPDarknet53(含spp) Neck：FPN+PAN,檢測(cè)頭同v3版本。

• 技巧1：輸入數(shù)據(jù)采用Mosaic數(shù)據(jù)增強(qiáng)，借鑒了2019年CutMix的思路，并在此基礎(chǔ)上進(jìn)行了拓展，Mosaic數(shù)據(jù)增強(qiáng)方式采用了4張圖片，隨機(jī)縮放，隨機(jī)裁剪，隨機(jī)排布的方式進(jìn)行拼接，從而對(duì)小目標(biāo)的檢測(cè)起到了進(jìn)一步的提升的作用。

  

• 技巧2 ：修改骨干網(wǎng)絡(luò)為CSPDarkbet53，借鑒了2019CSPNet的經(jīng)驗(yàn)，并結(jié)合先前的Darknet53,獲得了新的骨干網(wǎng)絡(luò)CSPDarknet53。在CSPNet中，存在如下操作，即進(jìn)入每個(gè)stage先將數(shù)據(jù)劃分為兩部分，如下圖中的part1, part2,區(qū)別在于CSPNet中直接對(duì)通道維度進(jìn)行劃分，而YOLOv4應(yīng)用時(shí)是利用兩個(gè)1x1卷積層來實(shí)現(xiàn)的。兩個(gè)分支的信息在交匯處及進(jìn)行concat拼接。

• 技巧3：引入SPP空間金字塔池化模塊， 引入SPP結(jié)構(gòu)來增加感受野，采用1x1、5x5、9x9、13x13的最大池化的方式，進(jìn)行多尺度融合，輸出按照通道進(jìn)行concat融合。類似于語(yǔ)義分割網(wǎng)絡(luò)PSPNet中的PPM模塊。

• 技巧4：在Neck部分采用FPN+PAN的結(jié)構(gòu)，借鑒了?2018年圖像分割領(lǐng)域PANet，相比于原始的PAN結(jié)構(gòu)，YOLOv4實(shí)際采用的PAN結(jié)構(gòu)將addition的方式改為了concatenation，如下圖：

  

• ?由于FPN結(jié)構(gòu)是自頂向下的，將高級(jí)特征信息以上采樣的方式向下傳遞，但是融合的信息依舊存在不足，因此YOLOv4在FPN之后又添加了PAN結(jié)構(gòu)，再次將信息從底部傳遞到頂部，如此一來，F(xiàn)PN自頂向下傳遞強(qiáng)語(yǔ)義信息，而PAN則底向上傳遞強(qiáng)定位信息，達(dá)到更強(qiáng)的特征聚合效果。整個(gè)NECK結(jié)構(gòu)如下圖所示：

  

• 優(yōu)勢(shì)： 對(duì)比v3和v4版本，在COCO數(shù)據(jù)集上，同樣FPS等于83左右時(shí)，Yolov4的AP是43,而Yolov3是33，直接上漲了10個(gè)百分點(diǎn)。

5、YOLOv5

YOLOv5版本 UltralyticsLLC 公司推出的，是在YOLOv4的基礎(chǔ)上做了少許的修補(bǔ)，①將v4版本骨干網(wǎng)絡(luò)中的CSP結(jié)構(gòu)拓展到NECK結(jié)構(gòu)中。②增加了FOCUS操作，但是后續(xù)6.1版本又剔除掉了該操作，使用一個(gè)6x6的卷積進(jìn)行了替代。③使用SPPF結(jié)構(gòu)代替SPP。

• 思路：與v4版本基本一致
• 技巧1：SPPF，主要區(qū)別就是MaxPool由原來的并行調(diào)整為串行，值得注意的是：串行兩個(gè) 5 x 5 大小的 MaxPool 和一個(gè) 9 x 9 大小的 MaxPool 是等價(jià)的，串行三個(gè) 5 x 5 大小的 MaxPool 層和一個(gè) 13 x 13 大小的 MaxPool 是等價(jià)的。雖然并行和串行的效果一樣，但是串行的效率更高，降低了耗時(shí)。

  

• ?技巧2：自適應(yīng)錨框計(jì)算：比較簡(jiǎn)單，就是把錨框的聚類改為了使用程序自適應(yīng)計(jì)算，此處就不再贅述了。
• 技巧3：Focus操作,?后續(xù)版本提出了該操作，此處就不展開介紹了。

  

6、Yolov6

YOLOv6是由美團(tuán)推出的，所作的主要工作是為了更加適應(yīng)GPU設(shè)備，將2021年RepVGG結(jié)構(gòu)引入到了YOLO。

• YOLOv6檢測(cè)算法的思路類似YOLOv5(backbone+neck)+YOLOX(head)，主要有如下改動(dòng)①骨干網(wǎng)絡(luò)由CSPDarknet換為了EfficientRep;②Neck是基于Rep和PAN構(gòu)建了Rep-PAN;③檢測(cè)頭部分模仿YOLOX，進(jìn)行了解耦操作，并進(jìn)行了少許優(yōu)化。
• 網(wǎng)絡(luò)結(jié)構(gòu)：骨干網(wǎng)絡(luò)是EfficientRep; Neck: FPN+RepPAN; 檢測(cè)頭：類似YOLOX.。
• 技巧1：引入RepVGG ，按照RepVGG的思路，為每一個(gè)3X3的卷積添加平行了一個(gè)1x1的卷積分支和恒等映射分支，然后在推理時(shí)融合為3x3的結(jié)構(gòu)，這種方式對(duì)計(jì)算密集型的硬件設(shè)備會(huì)比較友好。

• 技巧2：骨干網(wǎng)絡(luò)?EfficientRep，把backbone中stride = 2的卷積層換成了stride=2的RepConv層，并且也將CSP-Block修改為了RepBlock。

  

• 技巧3：Neck中引入Rep, 為了進(jìn)一步降低硬件上的耗時(shí)，將PAN中的CSP-BLOCK替換為RepBlock，從而生成了Rep-PAN結(jié)構(gòu)。

  

• 技巧4：對(duì)檢測(cè)頭解耦并重新設(shè)計(jì)了高效的解耦頭，為了加快收斂速度和降低檢測(cè)頭復(fù)雜度，YOLOv6模仿YOLOX對(duì)檢測(cè)頭進(jìn)行了解耦，分開了目標(biāo)檢測(cè)中的邊框回歸過程和類別分類過程。 由于YOLOX的解耦頭中，新增了兩個(gè)額外的3x3卷積，會(huì)在一定程度增加運(yùn)算的復(fù)雜度。鑒于此，YOLOv6基于Hybrid Channels的策略重新設(shè)計(jì)出了一個(gè)更高效的解耦頭結(jié)構(gòu)。在不怎么改變精度的情況下降低延時(shí)，從而達(dá)到了速度與精度的權(quán)衡。

  

• 優(yōu)勢(shì)：對(duì)耗時(shí)做了進(jìn)一步的優(yōu)化，進(jìn)一步提升YOLO檢測(cè)算法性能。?

?7、Yolov7

YOLOv7是YOLO4團(tuán)隊(duì)的續(xù)作，主要是針對(duì)模型結(jié)構(gòu)重參化和動(dòng)態(tài)標(biāo)簽分配問題進(jìn)行了優(yōu)化。

• 思路：YOLOv7檢測(cè)算法的思路是與YOLOv4、v5類似。
• 主要改動(dòng)：①提出了計(jì)劃的模型結(jié)構(gòu)重參化。②借鑒了YOLOv5、Scale YOLOv4、YOLOX，“拓展”和“復(fù)合縮放”方法，以便高效的利用參數(shù)和計(jì)算量。③提出了一種新的標(biāo)簽分配方法。
• 網(wǎng)絡(luò)結(jié)構(gòu)：在YOLOv4、YOLOv5、YOLOv6基礎(chǔ)上通過添加了以下tricks進(jìn)行了進(jìn)一步的升級(jí)改造。
• 技巧1：高效的聚合網(wǎng)絡(luò)，E-ELAN采用expand、shuffle、merge cardinality結(jié)構(gòu)，實(shí)現(xiàn)在不破壞原始梯度路徑的情況下，提高網(wǎng)絡(luò)的學(xué)習(xí)能力。在體系結(jié)構(gòu)方面，E-ELAN只改變了計(jì)算模塊中的結(jié)構(gòu)，而過渡層的結(jié)構(gòu)則完全不變。作者的策略是利用分組卷積來擴(kuò)展計(jì)算模塊的通道和基數(shù)，將相同的group parameter和channel multiplier用于計(jì)算每一層中的所有模塊。然后，將每個(gè)模塊計(jì)算出的特征圖根據(jù)設(shè)置的分組數(shù)打亂成G組，最后將它們連接在一起。此時(shí)，每一組特征圖中的通道數(shù)將與原始體系結(jié)構(gòu)中的通道數(shù)相同。最后，作者添加了G組特征來merge cardinality。

  

• 技巧2：模型縮放，?類似于YOLOv5、Scale YOLOv4、YOLOX，一般是對(duì)depth、width或者module scale進(jìn)行縮放，實(shí)現(xiàn)擴(kuò)大或縮小baseline的目的。

  

• 技巧3：?引入了卷積重參化并進(jìn)行了改進(jìn)采用梯度傳播路徑來分析不同的重參化模塊應(yīng)該和哪些網(wǎng)絡(luò)搭配使用。同時(shí)分析出RepConv中的identity破壞了ResNet中的殘差結(jié)構(gòu)和DenseNet中的跨層連接，因此作者做了改進(jìn)，采用沒有Identity連接的RepConv結(jié)構(gòu)進(jìn)行卷積重參數(shù)化。下圖是設(shè)計(jì)的用于PlainNet和ResNet的計(jì)劃重參數(shù)卷積。

  

技巧4：?引入了輔助訓(xùn)練模塊-coarse-to-fine（由粗到細(xì)）引導(dǎo)標(biāo)簽分配策略，常用的方式是圖（c）所示，即輔助頭和引導(dǎo)頭各自獨(dú)立，分別利用ground truth和它們（輔助頭、引導(dǎo)頭）各自的預(yù)測(cè)結(jié)果實(shí)現(xiàn)標(biāo)簽分配。YOLOV7算法中提出了利用引導(dǎo)頭的預(yù)測(cè)結(jié)果作為指導(dǎo)，生成從粗到細(xì)的層次標(biāo)簽，將這些層次標(biāo)簽分別用于輔助頭和引導(dǎo)頭的學(xué)習(xí)，如下圖（d）和（e）所示。

文章來源地址http://www.zghlxwxcb.cn/news/detail-701491.html

• 優(yōu)勢(shì)：參數(shù)量和計(jì)算量大幅度減少，但性能仍能保持少量的提升。?

到了這里，關(guān)于計(jì)算機(jī)視覺領(lǐng)域經(jīng)典模型匯總（2023.09.08的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY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)！