one-stage和two-stage的区别
YOLO常见的指标
YOLO V1
yolo v1架构解读
yolo v1损失函数
NMS非极大值抑制
yolo v1版本的问题
- 重叠在一起的物体不好分类,只是一个单分类问题
- 多标签问题(狗和哈士奇)
v2和v1的区别
v2网络结构
batch normalization
v2版本的其他改进
聚类提取先验框
v2 偏移量计算方法
坐标映射与还原
感受野的作用
每个conv层后面会加上一个bn
特征融合改进
多尺度检测
V3
多scale
使用上采样,增加图片尺寸
残差连接(残差网络至少不比原来网络差)
残差网络相当于给网络两个选择:
- 一个是n层卷积网络,最后得到的权重好的话,就用这个选择,向下传递权重。
- 如果不如原来的权重,就跳过这n层卷积网络,直接往下面传递原来的权重。这样的话,我可以使用20个残差块,只要这二十个有一个是好的,就可以提高网络性能。
v3 网络架构
先验框的设计
softmax层改进
RCNN
Rcnn的各个框不能共享参数
有多个卷积层,然后有多个全连接层,因为框的大小不一样,所以导致要一个一个的训练卷积层,计算量大
faster RCNN