目标检测yolo算法76句精选
目标检测
1、目标检测和图像分类有何区别?
(1)、投稿或寻求报道：content@jiqizhixin.com
(2)、YOLOv5有4种不同的配置，包括YOLOv5s，YOLOv5m,YOLOv5l和YOLOv5x。一般情况下，YOLOv5分别使用CSPDarknet53+SPP为Backbone，PANet为Neck,YOLO检测Head。为了进一步优化整个架构。由于它是最显著和最方便的One-Stage检测器，作者选择它作为Baseline。
(3)、在深度学习时代后期，由于计算能力的提高，在2014-2016年的目标检测中，bootstrap很快被丢弃。为了缓解训练过程中的数据不平衡问题，FasterRCNN和YOLO只是在正负样本之间平衡权重。然而，研究人员后来发现，权重平衡不能完全解决数据不平衡问题。为此，2016年以后，bootstrap被重新引入到基于深度学习的检测器中。例如，在SSD和OHEM中，只有很小一部分样本(损失值最大的样本)的梯度会被反向传播。在RefineDet中，一个anchorrefinementmodule用来过滤容易的负样本。另一种改进是设计新的损失函数，通过重新定义标准的交叉熵损失，使其更关注于困难的、分类错误的样本(比如RetinaNet中提出的FocalLoss)。
(4)、对于输出的位置信息是4个比较大的像素的值，在回归的时候不合适。目前统一的做法是，每个位置除以图片本身的像素大小。假设以中心点坐标方式表示，则：
(5)、(2)VishwakarmaS,AgrawalA.Asurveyonactivityrecognitionandbehaviorunderstandinginvideosurveillance(J).TheVisualComputer,2012:1-
(6)、项目地址：https://github.com/WeijingShi/Point-GNN
(7)、(14)CaiZ,VasconcelosN.CascadeR-CNN:DelvingintoHighQualityObjectDetection(J).20
(8)、实验表明，这两个任务能够共享卷积特征，并且相互促进。
(9)、比YOLOvYOLOv5更强的PP-YOLOv2
(10)、YOLOv2对YOLOv1的缺陷进行优化，大幅度高了检测的性能，但仍存在一定的问题，如无法解决重叠问题的分类等。
(11)、前面一直在说检测标注的缺陷，那么分割标注就是完美的吗？其实不然。可以参考CityScapes等分割标注数据集，跟Detection比，它最大的问题就是，当发生严重遮挡时，一个实例可能对应两个甚至独立的连通域。
(12)、torch.clamp()是将函数限制在最大值和最小值范围内，如果超过就变成那个最大值或者最小值。这里min=0，意思是如果面积小于0,那么面积取0(排除异常)。
(13)、减少模型方差的一个成功方法是训练多个模型而不是单一模型，并结合这些模型的预测。
(14)、(11)Augmentationforsmallobjectdetection：https://arxiv.org/abs/19007296v1
(15)、他们将目标检测作为索引图像内容的处理流程之一。比如，你可以在不同的背景下找到某个特定的钱包。这比GoogleImage的反向搜索引擎只是找到类似的图像更强大。图1：相似查找：我们应用目标检测方法定位包或鞋子这些产品。在这张图片中，用户可以点击图片中的目标对象便可以查找类似的产品。
(16)、我们都知道深度学习模型是一种非线性方法。它们提供了更大的灵活性，并可以根据训练数据量的比例进行扩展。这种灵活性的一个缺点是，它们通过随机训练算法进行学习，这意味着它们对训练数据的细节非常敏感，每次训练时可能会得到一组不同的权重，从而导致不同的预测。这给模型带来了一个高方差。
(17)、https://arxiv.org/abs/17006870?source=post_page
(18)、一些检测器是专门为无人机捕获的图像设计的，如RRNet、PENet、CenterNet等。但从组件的角度来看，它们通常由2部分组成，一是基于CNN的主干，用于图像特征提取，另一部分是检测头，用于预测目标的类和Box。
(19)、(2)Two-Stage目标检测算法，这类检测算法将检测问题划分为两个阶段，第一个阶段首先产生候选区域(RegionProposals)，包含目标大概的位置信息，然后第二个阶段对候选区域进行分类和位置精修，这类算法的典型代表有R-CNN，FastR-CNN，FasterR-CNN等。
(20)、CornerNet(10)：如下图所示，CornerNet检测算法巧妙的将检测框转换成了关键点，即一个目标框可以由两个点(左上角和右下角)来表示，那么对于一个目标物体在预测的时候就可以直接预测两个类别的关键点，然后对关键点进行组合即可生成对应的目标框。
2、目标检测yolo算法
(1)、话虽如此，我们还是有一些不错的公开数据可以使用，下面的列表就是目前可用的主要数据集。
(2)、(9)ImprovedRegularizationofConvolutionalNeuralNetworkswithCutout：https://arxiv.org/abs/17004552
(3)、早期的检测模型，如VJ检测器和HOG检测器，都是专门设计用来检测具有“固定宽高比”的目标(如人脸和直立的行人)，只需要简单地构建特征金字塔并在其上滑动固定大小的检测窗口。为了检测PASCALVOC中外观更复杂的物体，R.Girshick等人开始在特征金字塔外寻找更好的解决方案。“混合模型”(mixturemodel)是当时最好的解决方案之它通过训练多个模型来检测不同宽高比的物体。此外，基于实例的检测(exemplar-baseddetection)通过为训练集的每个目标实例训练单独的模型，提供了另一种解决方案。
(4)、目标检测：需要在识别出图片中目标类别的基础上，还要精确定位到目标的具体位置，并用外接矩形框标出。
(5)、之前的目标检测方法需要先产生候选区再检测的方法虽然有相对较高的检测准确率，但运行速度较慢。
(6)、点击“系统管理—事件配置—smart事件—人脸比对”，进入人脸比对配置界面。
(7)、(15)“数据引领飞粤云端”2019广东工业智造创新大赛-决赛答辩直播-《布匹疵点智能识别赛道》：https://tianchi.aliyun.com/course/video?liveId=41117
(8)、函数find_jaccard_overlap计算iou，交集/并集，最后union计算, 升维(n1)->(n1,1) 、 (n2)->(1,n2) 、接下去相加，广播成(n1,n2),减去一个(n1,n2)的交集面积，得到并集面积。
(9)、现在，让我们开始深入了解目标检测中的主要问题。
(10)、采用一个网络一步到位，代表算法是：YOLO、SSD
(11)、(15)DaiJ,LiY,HeK,etal.R-FCN:ObjectDetectionviaRegion-basedFullyConvolutionalNetworks(J).20
(12)、图像分类是把一幅图片分成多种类别中的一类。
(13)、HVNet:HybridVoxelNetworkforLiDARBased3DObjectDetection
(14)、勾选所需比对的人脸识别库，以及设置好各关联人脸库所对应的相似度(默认80%)；
(15)、FSSD(7)：FSSD检测算法的网络结构如下图所示，同样，FSSD也是使用不同阶段不同分辨率的featuremaps进行预测，相比于SSD，FSSD多了一个特征融合处理，将网络较低层的特征引入到网络的较高层，在检测的时候能够同时考虑不同尺度的信息，使得检测更加准确。
(16)、对目标进行动态实时跟踪定位在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。
(17)、需要在AIoT边缘轻量化芯片部署？3M够不够小？！比YOLO-Fastest、NanoDet更强的PPYOLO-Tiny，AI走向产业无需再等，赶紧用起来！
(18)、修改学习率lr和迭代轮数total_epochs：
(19)、AnchorFree方法已经不新鲜了，相信这些问题早已经让一些一线工作的研究人员头疼很久了。那么为什么难？
(20)、打开./configs/_base_/models/faster_rcnn_r50_fpn.py：
3、目标检测算法
(1)、CBAM是一个简单但有效的注意力模块。它是一个轻量级模块，可以即插即用到CNN架构中，并且可以以端到端方式进行训练。给定一个特征映射，CBAM将沿着通道和空间两个独立维度依次推断出注意力映射，然后将注意力映射与输入特征映射相乘，以执行自适应特征细化。
(2)、在proposal之间也使用GCN来增强特征的学习能力。
(3)、打开./configs/_base_/datasets/voc07py：
(4)、FasterR-CNN添加了候选区域网络(RegionProposalNetwork,RPN)，试图取消对SelectiveSearch算法的依赖，这使得模型可以完全实现端到端训练。
(5)、“FPN是一个利用深度卷积神经网络中固有的多尺度特征图，通过加入侧向连接和上采样，来以极小的附加计算量构建不同尺度的具有高级语义信息的特征金字塔的网络结构。”
(6)、首先，选题对于读研期间的科研体验有比较直接的影响，不同的课题方向要积累不同的知识结构，要面对不同的科研场景和交流场景，同时对于后续的读博和就业也有比较直接的影响。
(7)、3TPH-YOLOv1OverviewofYOLOv5
(8)、在TPH-YOLOv5的工作中主要是结合了MixUp、Mosaic以及传统方法进行的数据增强。
(9)、金字塔特征层级可以看做是一个特征图化的图像金字塔。模型一般浅层的特征图较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，可将前面较大的特征图和后面较小的特征图都用来做检测。
(10)、我们一直在思考一个自下而上的理念：明白五官，你才能更好地识别人脸。明白四肢，才能更好地识别人体。同理，万事万物都应该有「五官、四肢」这种概念。用已有的丰富经验，把检测化为关键点问题，再用自下而上的丰富经验解决它。而人体关键点、人脸关键点对遮挡不敏感说明，「将被遮挡的部分也计入GroundTruth、计入IoU」是非常重要的。GAN拥有类似分割的结构，能「脑补」细节，那分割问题也应该有「脑补」空间遮挡的能力。
(11)、常用的Neck聚合块有：FPN、PANet、NAS-FPN、BiFPN、ASFF、SAM。这些方法的共性是反复使用各种上下采样、拼接、点和或点积来设计聚合策略。Neck也有一些额外的块，如SPP,ASPP,RFB,CBAM。
(12)、Head一般分为2种：One-Stage检测器和Two-Stage检测器。
(13)、2015年提出了第一版YOLOvYOLO借鉴GoogleNet而提出了Darknet网络。Darknet是用C语言和CUDA编写的开源神经网络框架，用1x1卷积层+3x3卷积层替代GoogleNet的Inception模块。网络由24层卷积层接2层全连接组成，如图1：
(14)、Soft-NMS是对NMS进行轻微的修改，使得Soft-NMS在标准基准数据集(如PASCALVOC和MSCOCO)上比传统NMS有了明显的改进。它根据IoU值对相邻边界box的置信度设置衰减函数，而不是完全将其置信度评分设为0并将其删除。
(15)、论文地址：https://openaccess.thecvf.com/content_CVPR_2020/papers/Fan_Camouflaged_Object_Detection_CVPR_2020_paper.pdf
(16)、修改roi_head的类别个数num_classes：
(17)、(12)PoissonImageEditing：https://www.cs.virginia.edu/~connelly/class/2014/comp_photo/proj2/poisson.pdf
(18)、YOLOv4首先对相关工作进行总结，并对目标检测框架拆分：ObjectDetection=Backbone+Neck+Head
(19)、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。YOLOv2采用多尺度输入的方式训练，在训练过程中每隔10个batches,重新随机选择输入图片的尺寸，由于Darknet-19下采样总步长为输入图片的尺寸一般选择32的倍数{320,352,…,608}。采用Multi-ScaleTraining,可以适应不同大小的图片输入，**当采用低分辨率的图片输入时，mAP值略有下降，但速度更快，当采用高分辨率的图片输入时，能得到较高mAP值，但速度有所下降。**
(20)、点击“智能分析—人脸识别库”，进入人脸库配置界面；
4、目标检测常用方法有哪些
(1)、在实际应用场合中，一个物体有可能输入多个类别，单纯的单标签分类在实际场景中存在一定的限制。举例来说，一辆车它既可以属于car(小汽车)类别，也可以属于vehicle(交通工具)，用单标签分类只能得到一个类别。因此在YOLOv3在网络结构中把原先的softmax层换成了逻辑回归层，从而实现把单标签分类改成多标签分类。用多个logistic分类器代替softmax并不会降低准确率，可以维持YOLO的检测精度不下降。
(2)、(SIGAI推荐： Faster-RCNN通用目标检测方法原理与实践详解 Fast-RCNN通用目标检测方法原理与实践详解)
(3)、2013年由NYU(纽约大学)提出的OverFeat是最早将深度学习用于目标检测的方法之一。他们提出了一个使用卷积神经网络(CNNs)来处理多尺度滑窗的算法。
(4)、以YOLOv3-MobileNetv1模型为例，量化策略为模型带来7%的精度提升，同时体积压缩71倍，速度提升46倍！而采用**蒸馏+裁剪的联合策略，**在精度几乎无损的情况下，体积压缩了05倍，加速58倍！
(5)、Kesci：2020年全国水下机器人(湛江)大赛-水下目标检测算法赛 (2)
(6)、尽管R-CNN能达到很好的识别效果，但是它在训练中有很多的问题。
(7)、WSWA-Seg(我们的方法)在WIDERFACE数据集上的F1值
(8)、论文中的方案兼顾了高平均查准率(AP)和高召回率(AR)：
(9)、将results中的20改为自定义数据集的类别个数：
(10)、我们暂时不会详细深入地介绍RPNs的运行原理，但抽象地说，它基于一个叫“物体性”(objectness)的分数输出对象。这些物体被用在Rol集中层和全连接层，从而实现分类的目标。
(11)、Self-trainedclassifier
(12)、Top-downpathwayandlateralconnections又可分为“由上至下的通路”以及“侧向连接”两部分，也就是FPN结构图右侧的结构。这部分的运算规则可表示为：
(13)、讲者结合论文解读和具体实现带领大家从算法关键步骤原理一步步过渡到工程细节，有理有据帮助你快速掌握核心知识。
(14)、R-FCN(15)：同样只对原图提取一次特征，主要区别是提取目标特征的同时加上了位置信息(Position-Sensitive)，即目标的不同区域的特征维护在不同channels上，对于一个候选目标Proposal，其不同区域区域的特征需要映射到原图特征的不同channels上。如下图所示。
(15)、不过YOLOv2仍然无法解决同一个网格内物体重叠的问题。YOLOv3则继续在YOLOv2上做了些许改进：
(16)、体素特征提取：计算网格相关的点级特征，然后将其输入到PointNet风格特征编码器；