人工智能/机器学习基础知识——目标检测_机器学习目标识别

多年前写的笔记，知识相对于现在肯定比较老了

YOLOv3

Paper : YOLOv3: An Incremental Improvement

百度Ai Studio

单阶段

DarkNet

BackBone

• BasicBlock，含两层（卷积 + BN + Leaky ReLU）：第一层卷积输出通道数减半（罕见，一般都是通道数倍增），第二层卷积输出通道数倍增（恢复该BasicBlock输入的通道数），然后最后直接将输入和输出做elementwise_add，无需像ResNet那样downsample。BasicBlock输入与输出的张量维度相同

• LayerWrap，含多个BasicBlock：DarkNet53的LayerWrap个数及其Basicblock块数为[1, 2, 8, 8, 4]

• Downsample，含一层（卷积 + BN + Leaky ReLU）：由于BasicBlock不改变数据的维度，所以DarkNet专门用downsample来提取特征，降低维度。

• 在原版YOLOv3中，DarkNet取最后三个LayerWrap输出的特征图做FPN

YoLoDetection

• 三个输出特征图都产生锚框与之对应，分别对应预设的三种不同大小锚框。FPN就是为了加强对小物体的检测，锚框虽然变多了3倍，但是能检出更多小物体

Faster R-CNN

Paper : Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

知乎

两阶段目标检测

Stage One：RPN

Input Image => Shared Feature Map => RPN（Confidence Score + Coordinate） => Mapping Shared Feature Map => RoIs

• RPN阶段大约会产生2k个候选区域，这些候选区域不会都拿去训练，而是挑选一些进行训练。例如在一些实现中，将候选区域与真实框IOU大于0.5的所有候选区域挑选出来并按前景置信度进行降序排列，选取置信度最大的k个作为正样本。然后将候选区域与真实框IOU小于0.3的所有候选区域挑出来升序排列，选取置信度最小的3k个作为负样本。（正负样本比例一般取1：3）

• 而在单阶段检测器，如YOLOv3中就没有控制正负样本的比例，从而导致正负样本数量极其不均衡，大量的负样本导致模型很难向正样本收敛。这也是为什么两阶段检测器精度比单阶段要高的原因。

Stage Two：RoI Pooling

RoIs => RoI Pooling => Classification + Regression

RetinaNet

Paper : Focal Loss for Dense Object Detection

知乎

单阶段目标检测

• 提出原因：单阶段目标检测中，生成的锚框中，前景占比肯定比背景要小的多，导致正负样本极不均衡。负样本过多，造成的loss过大，以至于把正样本的loss都淹没了，不利于目标收敛。大多数负样本都不在前景与背景的过渡区域上，分类很明确，置信度很高，称为简单样本。这些简单样本造成的损失很小，梯度更新也很小，对模型收敛作用很有限。而在两阶段目标检测中，在RPN阶段会对生成的区域按前景置信度进行排列并选出前1k~2k个置信度高的区域，这样就能把大部分简单样本给过滤掉。另外，还会根据IOU阈值来调整正负样本的比例，防止正负样本比例不均衡。本文通过改进单阶段检测器的Loss函数来达到抑制正负样本不均衡带来的影响。

• 损失函数：Focal Loss部分详见Loss Function-Focal Loss

• 网络结构：ResNet+FPN

• 其他：class subnet的最后一层卷积偏置初始化为$bias=-\log ((1-\pi )/\pi )$。目的是为了在网络训练初期正负样本分类概率差不多时，增强正样本的训练效果。

Retina U-Net

Paper : Retina U-Net: Embarrassingly Simple Exploitation of Segmentation Supervision for Medical Object Detection

CSDN

单阶段目标检测+语义分割

• 提出原因：大多数两阶段的语义分割检测器没有充分地利用语义分割监督：

  • 仅在裁剪的候选区域上计算Mask Loss，也就是说，Mask Loss的梯度不会流过候选区域周围的地方
  • 只有正样本的候选区域被用于继续计算Mask Loss，导致模型过拟合
  • Mask Loss的梯度不会流过整个模型，只会从相应的FPN尺度特征图开始沿Top-Down结构向上流动

• 网络结构：Retina U-Net在前作Retina Net的基础上进行了改进。Retina Net的FPN是在P3-P6这几级特征图上进行分类和回归的，而Retina U-Net在P2-P5上进行分类和回归，相对来说特征图的分辨率更高，对小物体的检测效果更好。

• 语义分割监督：Retina U-Net对FPN的层级进行了延伸，沿Top-Down继续往下多计算了两个层级的特征图，最后一个特征图用于语义分割任务。这样的结构使Mask Loss的产生的梯度能够沿Top-Down结构向上反向传播，而且梯度还会跳接到Bottom-Up中。这样一来Mask Loss就能流经整个模型进行反向传播了。