江阴网站设计站长之家点击进入
之——常用算法速览
目录
之——常用算法速览
杂谈
正文
1.区域卷积神经网络 - R-CNN
2.单发多框检测SSD，single shot detection
3.yolo
杂谈
快速过一下目标检测的各类算法。
正文
1.区域卷积神经网络 - R-CNN
region_based CNN，奠基性的工作。
选择锚框是一个较为复杂的算法，来自于神经网络还没发展的时候；启发式算法选择出锚框后，每一个锚框当做一个图片，然后用预训练好的CNN抽取特征；然后训练SVM用来分类，训练一个回归模型来预测边缘框，具体是：
将每个提议区域的特征连同其标注的类别作为一个样本。训练多个支持向量机对目标分类，其中每个支持向量机用来判断样本是否属于某一个类别；
将每个提议区域的特征连同其标注的边界框作为一个样本，训练线性回归模型来预测真实边界框。
然而锚框的选择大小与比例是不一定的，这种情况下如何生成规则的训练batch呢，于是提出了RoI(region of interest)，兴趣区域池化：
这个方法不会严格均匀地切割，而是会尽量按比例切割满足最后输出，看对应颜色：
Fast RCNN：
对于RCNN的加强，主要的改进是直接对整张图片抽特征而不是对锚框抽特征：
R-CNN的主要性能瓶颈在于，对每个提议区域，卷积神经网络的前向传播是独立的，而没有共享计算。 由于这些区域通常有重叠，独立的特征抽取会导致重复的计算。 Fast R-CNN 对R-CNN的主要改进之一，是仅在整张图象上执行卷积神经网络的前向传播。
搜到锚框之后再映射到CNN之后的feature map上：
再把特征图上的ROI展平投入到全连接层进行预测。
Faster R-CNN:
更进一步的改进是：
为了较精确地检测目标结果，Fast R-CNN模型通常需要在选择性搜索中生成大量的提议区域。 Faster R-CNN 提出将选择性搜索替换为区域提议网络（region proposal network），从而减少提议区域的生成数量，并保证目标检测的精度。
二分类预测锚框合理与不合理：
Mask R-CNN:
如果有像素级别的标号就用FCN来处理，提升原有的性能；roi pooling改为了roi align以避免像素级的误差：
比较贵，实用性不高：
2.单发多框检测SSD，single shot detection
单发步枪，只跑一遍，不需要两个网络。
生成锚框的办法：
然后的操作：
多个分辨率下去锚框然后用算法预测类别和边界框，参考上面RCNN的预测方法。
性能，更快但没那么准：
主要原因应该是没有什么改进？
3.yolo
you only live once：
you only look once：
每个锚框预测了多个边缘框，因为这样均匀分割的锚框可能会同时挨到多个真实边缘框。
后续通过细节改进进行提升，比如引入数据集真实框的先验知识之类的。
YOLO（You Only Look Once）是一种流行的实时目标检测系统，可以在图像或视频流中检测多个物体。YOLO的关键思想是将图像分成网格，并为每个网格单元预测边界框和类别概率。这使得YOLO能够在神经网络的单次前向传递中对多个物体进行预测，从而具有高效的计算能力。
YOLO算法的主要步骤包括：
输入图像：
- YOLO接收输入图像并将其划分为网格。
网格划分：
- 将图像划分为一个 S x S 的网格。每个网格单元负责预测对象，如果对象的中心落入该单元，则该单元负责预测该对象。
边界框预测：
- 每个网格单元预测多个边界框，同时预测它们的置信度分数。这些边界框由（x，y，w，h）表示，其中（x，y）是边界框的中心，（w，h）是宽度和高度。
类别预测：
- 每个边界框预测对象的不同类别的概率。
物体置信度分数：
- YOLO为每个边界框预测一个物体置信度分数，表示该框内存在物体的可能性。
非极大值抑制：
- 在进行预测后，会应用一种后处理步骤称为非极大值抑制，以过滤重复或低置信度的预测结果。它保留最有信心的预测结果并删除重叠显著的预测。
输出：
- 最终输出是一个边界框列表，每个边界框关联着一个类别标签和置信度分数。
YOLO已经推出了几个版本，通过提高准确性和速度进行改进。一些知名的版本包括YOLOv1，YOLOv2（YOLO9000），YOLOv3和YOLOv4。每个版本都引入了架构改进，并解决了目标检测中的特定挑战。
值得注意的是，由于其实时处理能力，YOLO被广泛应用于自动驾驶车辆、监控和机器人等各种应用领域。YOLO的实现可在流行的深度学习框架（如TensorFlow和PyTorch）中找到，使其对研究人员和开发人员更易于接触和使用。