[深度学习 - 目标检测总结] one-stage 目标检测算法

69 阅读 0 评论 46 点赞

我是靠谱客的博主专注火车，最近开发中收集的这篇文章主要介绍[深度学习 - 目标检测总结] one-stage 目标检测算法，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

通过这个链接????进行复习学习。https://github.com/scutan90/DeepLearning-500-questions

目标检测

上一节讲了two-stage目标检测算法；
主要代表就是Faster R-CNN，但它存在一些问题。
对小目标检测效果很差；（只在一个特征层进行预测，特征层较高，细节信息较少，对小目标检测效果不好。）
模型大，检测速度较慢。（网络经过两步走）

One-stage

单次目标检测算法（包括SSD系列和YOLO系列等算法）

单次目标检测算法使用神经网络作为特征提取器，后面接一个卷积层，并在之后添加自定义卷积层（根据输出的类别数和anchor），并在最后直接采用卷积进行检测。

通过图像金字塔在多个尺寸的特征图上进行检测，靠前的大尺度特征图可以捕捉到小物体的信息，而靠后的小尺度特征图能捕捉到大物体的信息，从而提高检测的准确性和定位的准确性。

（1）SSD

SSD网络结构如下图，截取至官方论文SSD
ssd

首先将图像缩放至300*300尺寸，然后放入VGG-16。这里的VGG-16模型和原VGG-16模型上不同。（在池化层的步长和核大小，以及卷积层上核和padding上的不同，主要为了输出不同大小的特征图）
从上图上看SDD，可以看到最终侦测包括了六个部分网络的输出（不同的特征图）。每个输出负责不同大小的物体检测。
特征图较大检测较小的目标，特征图较小检测较大的目标。
（抽象程度越深，细节信息越少，感受野越大。）

DSSD

Backbone：将ResNet替换SSD中的VGG网络，增强了特征提取能力
添加了Deconvolution层，增加了大量上下文信息

（2）yolo

yolo特点：

将整张图作为网络的输入，直接在输出层回归bounding box的位置和所属的类别
速度快，one stage detection的开山之作

YOLO创造性的将物体检测任务直接当作回归问题（regression problem）来处理，将候选区和检测两个阶段合二为一。只需一眼就能知道每张图像中有哪些物体以及物体的位置。

yoloV1

实际上yolo也是需要提取候选框，只是提取候选框的方法在网络内部自己实现。yolo将输入图片划分成7 * 7（49）个网格，每个网格要回归两个预测框，也就是说，一张图要选取49 * 2（98）个预测框，然后通过最终网络进行分类和回归。
最后采用非极大值抑制（NMS）算法从输出结果中提取最有可能的对象和其对应的边界框。

由于输出层使用全连接层进行输出，所以这就规定yolo必须要求输入图像有固定的大小，论文中作者设计的输入尺寸为448 * 448。

yoloV1的损失函数：置信度loss + 坐标loss + 类别loss。
yoloV1损失函数

主要步骤：
第一步，先将原图划分为S * S的格子。（7*7）每个格子都有自己的置信度，通过置信度判断格子有无目标，并且进行分类。如果格子有目标，则进入第二步。
第二步，每个格子根据其中心点都可以得到两个建议框，（提前设置以中心点为原点的两个框/实质就是anchor框）即中心点固定，建议框和实际框做偏移。

存在的问题：

由于每个各自只有一个类别输出，但是一个各自会预测两个建议框。因此这两个建议框只能预测出一个类别，导致加入一个各自有多个目标的时候无法被检测到。
由于输出只有一层特征图 7 * 7，因此当存在大物体或者小物体的时候，很难检测到。

yoloV2

针对yoloV1存在的问题，yoloV2做出了几种改进策略。

引入预训练模型
主干网络换成：Darknet-19
引入anchor机制（类似于yoloV1每个格子有两个建议框的思想）
在每个卷积层后加入BatchNorm层，去掉dropout。（使训练时，模型收敛速度得到提升，防止模型过拟合。）
YOLOv2借鉴SSD使用多尺度的特征图做检测，提出pass through层将高分辨率的特征图与低分辨率的特征图联系在一起，从而实现多尺度检测。
YOLOv2中使用的Darknet-19网络结构中只有卷积层和池化层，所以其对输入图片的大小没有限制。

（1）预训练：
yoloV2在分类网络上先在ImageNet上做预训练，作为它的特征提取器。（预训练模型输入图片：448 * 448）
（2）YOLOv2采用了Darknet-19作为主干网络，模型的mAP值没有显著提升，但计算量减少了。
（3）anchor：首先根据数据集的真实框位置，通过聚类（Kmeans）得到五个anchor框，作为每个格子的建议框。（yoloV2每个格子有5个anchor中心，每个中心通过格子大小都可以反算得到实际位置。）
（4）损失函数区别与yoloV1，这里每个anchor都有自己的类别标签。（输出13 * 13 * 5 * （5 + 20））

yoloV3

yoloV3在yoloV2的基础上增加了一些改进。提升模型性能。

主干网络由DarkNet-19替换成DarkNet-53。（由于增加了层数，所以加入残差模型。）
结合FPN模型，实现多尺度检测。
用逻辑回归代替softmax作为分类器。

（1）主干网络结构中，最后三次下采样得到的特征图都会作为预测。（分别是13 * 13、 26 * 26、 52 * 52 大小的特征图）每个格子都有三个anchor框，根据特征图的尺寸不同，预测的物体小大也不同。
（2）结合FPN（上图上采样和concat部分）：将不同尺寸的特征图，通过上采样进行融合，融合最后三层下采样的特征图。增加检测小目标的特征图（较大的特征图）的细腻度，从而提高对于小目标检测的效果。
（3）anchor：由yoloV2的5个anchor box 变为9个（由K-means聚类算法根据数据集生成。）每个尺寸特征图分配3个anchor box。

yoloV4

（1）结构改进：（CSPDarkNet53+SPP+PANet+YoloV3-head）

主干网络：CSPDarkNet53（选择具有更大感受野、更大参数的模型。）
SPP层：使用空间池化金字塔，对特征图分别进行三次池化，最后通过concat进行拼接。（增大感受野）
PANet代替FPN，进行参数聚合以适用于不同level的目标检测。（YoloV3使从下层通过上采样到上层做拼接输出，yoloV4是从上层到下，通过concat拼接输出。）
对图像特征进行预测，生成边界框和并预测类别仍然和yoloV3的结构一致。
残差块采用两个CBM（conv+bn+mish）
特征拼接上的改进：加法更加注重防止过拟合（增加信息传输）；concat更加注重保留特征细腻度信息。（PANet中的PAN结构是用加号拼接，yoloV4改成concat）
激活函数采用mish函数。（CBM结构）

（2）损失改进：
主要对iou损失进行改进；