如果还想看这个王若晖老师的相关课程，还可以看看AI实战营的第一期课程：合集·OpenMMLab AI 实战营

对应视频链接：目标检测与MMDetection

1. 目标检测的基本范式

1.0-1 目标检测简介

定位+分类

• DPM：Deformable Part Model，可形变组件模型，
  • 于2008年提出，并发表了一系列的cvpr，NIPS。并且还拿下了2010年，PASCAL VOC的“终身成就奖”
  • DPM用到了HOG的东西，是用传统算法做的。
• 详见：
  • CSDN博客-DPM（Deformable Part Model）原理详解
  • 博客园博客-关于DPM(Deformable Part Model)算法中模型可视化的解释，算法提出者使用的是matlab写得源码
  • opencv有对应的c++实现：https://docs.opencv.org/3.4/d9/d12/group__dpm.html
  • 目标检测（二）传统目标检测与识别的特征提取（一文讲懂Haar-like特征，HOG特征，DPM特征）
  • github上有个python实现，但是很少：https://github.com/Alarnti/dpm
• 单阶段方法一开始因为精度问题，没有两阶段的受欢迎，后面改进，在精度和部署上都很优秀，所以现在YoLo系列是主流。2020年之后的Transformer方法因为精度很好，所以也逐渐成为目标检测中受欢迎的方法

b站上有一个课，讲了传统和深度的目标检测：100集深度学习目标检测算法教程

推理精度：

• 早年COCO数据集上的准确度大概在21%~34%，现在最新的采用SwinTrans+HTC的已经可以达到57.7
• coco leaderboard，点击这里，Evaluate->选择Detection 就可以看到了
  
• 不会再有COCO 2021 Challenge比赛了，取而代之的是ICCV2021 LVIS Challenge ，上面介绍的SwinTrans+HTC方案就是这个比赛里出的，详见：腾讯优图斩获ICCV2021 LVIS Challenge Workshop冠军及最佳创新奖
• 另外，虽然COCO不再举行官方赛事，但是还是有人在刷分，
  • paperwithcodes上：Object Detection on COCO test-dev，目前排名第一的是：OpenGVLab/InternImage
  • 关于OpenGVLab，详见：上海人工智能实验室联合商汤科技发布通用视觉开源平台OpenGVLab

---

推理速度和模型体积

• 都是YoLo系列最好，所以落地部署基本都是yolo和ssd
• YoLoX-s推理速度大概10ms，1000ms/10ms=100帧，每秒差不多就是100帧的速度。。

1.0-2 基本概念

• 一般要求目标检测的边界框是平行于图像边界的，如果不平行的话，会有个专门叫做旋转框的方式去处理

都是算重叠区域，和DICE很像，但是不一样，衡量的都是重叠程度，但是计算方式不一样。

关于这两个指标的异同和使用场景，可以看看：

• CSDN博客：分割网络评价指标）dice系数和IOU之间的区别和联系
• 知乎文章：有关IoU和Dice
• 博客园文章：语义分割评价指标(Dice coefficient, IoU)
• 影像切割任務常用的指標-IoU和Dice coefficient
• stackexchange-F1/Dice-Score vs IoU
• stackoverflow.com-Why Dice Coefficient and not IOU for segmentation tasks?
• towardsdatascience-Metrics to Evaluate your Semantic Segmentation Model

1.1 滑窗

目标检测的基本思路：从滑窗到密集检测

1.1.1 滑窗基本思想

目标检测是基于分类任务进行的，所以分类是OK的，需要解决的主要就是定位的问题。

• 是什么，比较好解决
• 在哪里，定位，受到物体位置、数量、尺度的变化影响。

最简单（朴素思想）的一种思路：

1. 设定一个固定大小的框
2. 用这个框去遍历整个图像，每次把框中的部分图像送入分类器去识别，比如：背景、长椅

• 

5. 同时为了检测不同大小、不同形状的物体，可以使用不同大小、长宽比的窗口，扫描图片

• 

---

1.1.2 滑窗效率问题改进

滑窗的思想很简单，但是会有一个效率问题：

• 例如：一张1000x600的图，窗口大小是100x100，每滑动20像素分类一次，
  • 则需要滑动的次数就是（1000-80）/20* [(600-80)/20]=46*26≈1200
  • 若还要使用其他尺寸的不同窗口，则需要进行分类的次数就更多了
  • 滑窗顺序，串行进行分类，也可以考虑多个方向同时进行，利用并行提高速度

改进思路：

1. 使用启发式算法替换暴力遍历，
   • 用相对低计算量的方式粗筛出可能包含物体的位置，再用卷积网络预测
   • 早期二阶段方法使用，依赖外部算法，系统实现复杂
   • 以前的RCNN和Fast RCNN用的是这个，现在也不怎么用了
2. 减少冗余计算，使用卷积网络实现密集预测
   • 目前普遍采用的方式，所以下面主要讲这种

对这个滑窗框住的图像，

• 进行一次前传，前传就是：多层不同卷积核进行计算，第一层卷积核扫截出来的图像，第二层卷积核扫前一步得到的特征图，依次继续。之后特征拼起来，进行分类预测
• 可以看到，对于两个滑窗，其实有一部分重叠区域会被卷积核卷多次。

改进思路：用卷积一次性计算所有特征，再取出对应位置的特征完成分类。

• 如果要对上图两个窗进行分类，可以直接计算出全图的特征图；然后再按照位置关系，把窗对应的部分投影到特征图上，把对应的特征裁剪出来，进行后续的分类
• 因为卷积本身是具有位置不变性的，同一个卷积核在不同的位置，计算时那个系数是一致的。也就是说：先把窗扣出来算，还是算完全图再扣出来，结果是一样的（忽略padding那些带来的影响的话）
  • 第一个卷积层的滑窗可能是100x100，卷积后在特征图上，滑窗大小会发生变化（但是要保证对应的感受野不变，有相应的计算公式），后续也是如此。

相比之前：

• 之前是在原图上进行滑窗，每次滑窗都要计算卷积核，重叠区域会重复计算卷积（每层都这样），每层都会进行滑窗，再计算卷积。
• 现在是直接在特征图上滑窗（注意，滑窗和卷积不一样，滑窗的固定框大小一般大于卷积核），只在最后一层特征图上滑
  • 把所有的卷积层都计算完，直接在最后的特征图上，在卷积层不使用滑窗。。。只在最后用滑窗对应的特征图部分拿出来进行分类
  • 重叠区域只计算一次卷积特征，与窗的个数无关（卷积计算次数和窗的个数无关）

---

1.1.3 感受野计算

参考：

• 之前TensorFlow有一个脚本专门用来算感受野的
  • https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/receptive_field，这个文件已经不见了
  • https://github.com/timsainb/tensorflow-2-feature-visualization-notebooks
  • https://github.com/google-research/receptive_field，但是也有使用到它的

感受野就是神经网络中，一个神经元能看到的原图的区域

• 如右图，2层3x3卷积，在layer3的一个神经元，其实看到的是layer1的5x5的区域
• 可以说layer3的神经元表达了layer1中5x5区域的内容，也就是说layer1中5x5区域的特征是layer3的神经元

感受野的计算一般比较复杂，但是对于常见的卷积核是3x3，pad是1的卷积或池化堆起来的模型（每个卷积层/池化层都是这种设置）

• 则 感受野中心坐标 = 神经元在特征图上的坐标 × 感受野步长
• 感受野步长=降采样率/特征图尺寸的缩减倍数
  • 神经网络某一层上，相邻两个神经元的感受野的距离
  • 步长=这一层之前所有stride的乘积

以右图下面的带数字的示意图为例，计算Conv2上的神经元的感受野中心坐标（layer1是Raw Image）

• 则Conv2(layer3)上数值为5的神经元在Conv2这个特征图上的坐标就是(0,0)，从0开始计数
• 感受野步长，从Conv2到原图，中间所有卷积层、池化层等包含stride的，把这些stride累乘起来，就是Raw Image→Conv1的stride=2，Conv1→Conv2的stride=1，则感受野步长=2x1=2
• 上面的示意图有问题。。图画的不好，也没有加padding

关于感受野的计算，可以看看：

• distill.pub-Computing Receptive Fields of Convolutional Neural Networks
• Understanding the receptive field of deep convolutional networks
• 其他中文感受野计算好像很多还有问题，也基本上是从distill那篇翻译过来的。。。有空自己研究研究吧

除了感受野中心，其实还有感受野大小，但是感受野大小不是一个很有用的东西。。

• 对于一个神经元来说，其激活值更多受到感受野中心附近图像的影响（即：对感受野中心的位置更敏感），而感受野边缘的这些值，通常对神经元激活值计算的影响不大，以下图为例

• 对顶部的这个神经元（假设是$y$）来说，假设跟下面的神经元层的连接权重都是1（也就是卷积核的值都是1），
• 则Input中紫色框里最中间的那个(假设是$x_3$)的梯度，就是$\frac{\partial y}{\partial x_3}$=从$y$到$x_3$所有可行路径的个数，像个pascal三角形一样扩散开。（其实就是杨辉三角，详见：神奇的帕斯卡三角形
• 而Input中紫色框里边缘部分的像素，梯度就很小，只有1条路径
• 即顶部的神经元对边缘像素的导数只有1，对中间就很大

1.2-1 使用卷积实现密集预测

1.2.1 在特征图上进行密集预测

这页ppt动态的，很多内容，所以下面分小图分别说

以特征图的左上角为例，其对应的就是图像的左上角部分。

• 像红色框对应的感受野，可能会由于padding，所以就在图像外面了
• 特征图上相邻两个特征（红色和蓝色），对应在图像上红色和蓝色框的偏移量（起点的差值），其实就是stride，就是图像的感受野步长/降采样率/特征图尺寸的缩减倍数，就是上面说的：神经网络某一层上，相邻两个神经元的对应的感受野的距离；（ 步长=这一层之前所有stride的乘积）

其实在卷积过程中，特征图上每一个值都对应一个感受野区域。

• 不同特征对应的感受野区域，自然形成了一系列等距离分布的窗（和滑窗的效果其实一样）
• 如果按照感受野的步长去设置滑窗，则实际上滑窗算法和一次性计算出全图的特征图的算法，就是一样的计算了

如果把感受野形成的区域看成是窗，那么按照以前的滑窗算法的思路，

• 经过卷积网络得到特征之后，还需要进行分类，比如说用线性层进行分类
• 如果物体是$C$个类别，加上一个背景类，就是$C+1$个类别，那么线性层就需要输出$C+1$维度的logistics（就是sigmoid函数），输出0和1之间的值，一般会在后面再接一个softmax，输出1个框分别属于$C+1$个类别的概率，概率最大的就是当前这个框对应物体所述类别
• 关于logistics函数，详见：动手学深度学习V2.0(Pytorch)——10.感知机（激活函数）-4.4 sigmoid和logistics部分

考虑有没有可能把这个线性分类也放在特征图上一次做完？

• 是可以的，因为不同窗用的线性分类参数是一样的（同一个线性层），也就是进行的计算是一样的
• 所以可以把这个线性分类层变成一个卷积层（1x1的卷积就是全连接层。。。详见：动手学深度学习V2.0(Pytorch)——21. 卷积层里的多输入多输出通道-1.6 1X1卷积层）
• 比如线性分类层的维度是$C_{in}\times C_{out}$，则对应就可以找一个$1\times 1$的卷积层，
  • 即每个特征图/通道的大小是1，输入通道数是$C_{in}$，就是线性层的输出，输出通道数是$C_{out}$，就是一个$C+1$维度的向量
  • 这里其实是进行了一个转置，把线性分类的特征维度，变成了卷积层的特征维度

那么经过这个1x1的卷积之后，实际上得到的也是$C+1$个logistics，卷积层一般也是用sigmoid做激活函数的。

• 如果非要得到概率图，那么在卷积层输出的特征图的通道维度上，再做一次softmax就行
• 这样的话，把特征计算和概率计算这两个步骤合起来，得到了一种更高效的计算方式，但是效果和滑窗算法一模一样

这就是所谓的密集预测，借助卷积高效实现了滑窗算法。

• 用卷积一次性计算出所有位置包含什么样物体的概率

1.2.2 边界框回归

滑窗算法中固定的窗和密集预测中感受野对应的窗，和真实的物体精准边界通常存在一定差异。

• 为了实现边界框的精确定位，通常还需要进行一个额外的步骤，即在预测物体类别的同时，还需要预测一下物体的准确位置
• 一般对卷积网络得到的特征：
  • 一个分支经过全连接层，用sigmoid和softmax求概率，使用分类损失
  • 另一个分支经过全连接层，预测真实边界框相对于之前 窗 的偏移量，4维偏移量，比如左上右下偏移，或者中心点的x、y偏移+长宽的偏移，使用回归损失
• 由于是使用同一种特征做了两个任务的预测，所以这种也称为多任务学习。

基于锚框（Anchor Based）的方法：

• 在图像上设置一些大小不同的基准框（不是滑窗，不做卷积计算），在进行边界框回归时，是基于这些基准框进行的。
• 例如：上图中蓝色框是True Label
  • 人相较于紫色框，有多少偏移量，计算出这个东西（基于锚框的偏移）

无锚框（Anchor Free）的方法

• 直接回归，物体边界相对于感受野中心的偏移量（无锚框，直接求基于感受野中心的偏移）

但是神经网络进行准确的回归任务要比分类任务困难一些，所以基于锚框的方法会降低回归的难度，

• 但是锚框方法并不只是纯粹为了边界框回归而设置的，或者说锚框不仅只有降低回归难度这一个作用
• 基于锚框还可以检测：同一个位置，不同大小甚至有所重叠的一些物体

1.2.3 非极大值抑制（Non-Maximum Suppression）

滑窗和密集预测这类算法通常还会面临一个问题：会在一个物体周围产生很多重叠的框

• 滑窗/感受野对应窗，窗是重叠的，很可能多个窗都包含了同一个物体的不同部分，导致输出结果的时候，这个物体周围有很多框。
• 虽然这些框比真实的框有所偏移，不那么精确，但是还是包含了同一个物体。
• 这些不同偏移的窗在特征图上有不同的位置，都有可能会被预测成同一个类别，对应的前景框就会被保留下来，但是实际上这些前景框在原图上的位置是大幅度重叠的
• 对于检测算法来说，上面右图猫的位置只希望输出一个检测框就足够了，重叠的框是没有必要的，需要把多余的框去除掉。
• 去除重叠框的算法，就叫做：非极大值抑制算法，字面意思就是：只保留置信度最大的，不是最大的都删除（非极大值，抑制）
• 所以在之前的Fast RCNN算法里，会有个NMS的参数，配置最后输出的框的数量，一个物体周围只保存1个或者几个

整体的NMS非极大值抑制算法，是一个贪心算法，主要步骤：

1. 把所有检测框（全图的，不是针对一个物体的，比如所有框是$B$集合）按照置信度排名
2. 找出置信度最高的框$B_i$，放到结果集$R$中去，找到$B$集合中剩下的与$B_i$重合的框（即IoU>0.7的框），把这些框删掉，这些框大概率和$B_i$指向的是同一个物体，但是置信度又比$B_i$低，因此删除。
3. 继续进行步骤2，只保留所有重叠框里置信度最大的那个框，放到结果集$R$，直到$B$集合为空，说明已经处理完所有的检测框，此时输出$R$结果集，就是非极大值抑制的结果

置信度（Confidence Score）：模型认可自身预测结果的程度

• 通常会为每个框（滑窗/感受野对应的窗）预测一个置信度

置信度计算的方法一般有两种：

1. 直接用之前分类预测头得到的概率作为置信度，比如对某个框，之前分类头预测的是长椅的概率是0.9，可能这个框附近重叠的另一个框，分类头预测是长椅的概率是0.8，使用这个概率作为置信度。用分类结果的概率作为置信度的衡量标准，感觉是比较合理的。
2. 不使用分类的概率，让模型另外预测一个置信度，因为有真实的目标检测框，基于这个信息，可以根据框的偏移作为评判框的质量（置信度）的好坏

1.2.4 使用密集预测模型进行推理

得到一个训练好的密集预测的模型，如何去进行推理：

1. 把待推理图像送到训练好的模型，得到那个预测图
   • 包含分类和回归结果，分类：每个类别对应的概率；回归：每个边界框的偏移量（基于锚框或者无锚框）
2. 保留预测类别不是背景的框（分类有一个背景类，删除背景类概率最大的框）
3. 基于框中心，和边界框回归结果，进行边界框解码
   • 比如对于基于锚框的方法，就是基准框+预测出的偏移量，得到比较精确的边界框结果
   • 提前删除不是背景的框是为了避免不必要的计算开销
4. 后处理，进行非极大值抑制
   • 在比较精确的边界框结果的基础上，再去删除重叠的框，保留置信度高的框，比较合理

1.2.5 如何训练

重点其实在于，网络前传之后，怎么去把模型得到的一个结果，和真值进行比较，怎么去设计损失函数（返传loss的梯度）

输入图像，模型输出的其实是包含位置类别和边界框回归结果的一个array of prediction results，

• 注意，每个位置都产生一个预测，这里密集预测结果的大小，并不等于图像的大小，是降采样之后的一个结果。结合上面的对特征图进行密集预测，这里密集预测的结果的大小应该是 $C_{in}\times C_{out}$，对$C+1$通道做了softmax，已经知道每个位置的分类了，不需要保留$C+1$个通道，1个就够了
• 那么这里需要建立对应的GT（ground truth），很明显，示意图中密集预测结果的这个表格，肯定不是天然存在的，是需要根据真实的标注框去生成的。
  • 原图像有物体的标注框，怎么把这个标注框的类别对应到密集预测真值上，即基于稀疏的标注框，为密集预测的结果产生真值，这个过程称为匹配（Assignment）

根据感受野的计算公式，不难知道，特征图和原图在位置上存在一个比较简单的对应关系。

• 之前是特征图上的点求对应的感受野中心，现在是要找到原图上标注框对应在特征图上的点的位置
• 对应点的类别真值就是物体标注框类别，边界框回归的真值可以是这个框的位置，也可以是框相对于中心位置的偏移量
• 对于每个标注框，其实在特征图上都可以找到与其最接近的位置（可以不止一个），接近程度由中心位置或者与基准框的IoU判断。
  • 比如上图中汽车对应密集预测真值的蓝框，椅子对应两个黄框
  • 其他部分的类别真值就是背景
  • 这样就可以把原图上稀疏的标注，变成密集预测真值图上密集排列数组标注结果。
• 将密集预测真值和密集预测结果相减，算loss求和，就可以得到检测器的损失

• 另外，还有个步骤：采样，
  • 不是所有密集预测图上的结果都参与计算，只会选取一部分正样本和负样本进行计算
  • 很明显，密集预测图上大部分都是负样本（背景），只有少数的是正样本（前景物体），全都算的话，样本数量就很不平衡了，模型可能会更多给出背景的预测，这不是我们想要的。
  • 同时，对于密集预测图上，有物体的真值框的边界位置，由于是前景物体和背景的分界，所以归到哪一类都不太好，还容易给模型带来困扰，这种一般不参与loss计算。

有些匹配和采样的策略，在不同的算法里也有所区别，mmdetection的配置文件里也会有相应的标注。

---

这是个检测任务

• 不能单纯像分类任务一样，比较最终类别的差异；
• 这里输出的内容既有分类，又有回归，而且是基于密集预测图进行的比较，所以要基于标注框先生成密集预测图真值。
• 就像人体姿态检测，基于标注结果和高斯函数假设，生成真值热力图，与模型生成的预测热力图进行比较，以热力图的差值作为损失函数。

1.2.6 密集预测的基本范式

整体是一个框架性的设计思路，不是针对某个具体的网络进行说明：

• 图像首先送入backbone（主干网络，在CV里一般是卷积网络），得到特征图，特征图中每个点都是对应的原图中某个感受野区域的一个特征表达
• 得到特征图之后，用一个1x1的卷积去扫（小卷积网络/检测头），相对于在每个位置上进行线性分类，对于预测图中的每个位置，其包含：
  • 该位置对应的类别和边界框（感受野的范围），以及边框回归的偏移量（如果不使用概率作为置信度的话，可能还会预测一个置信度）
  • C+5+?来自于C+1（C+1个类别）+4（4个偏移量），C是类别种类，？表示可能还会预测别的东西，比如：置信度等
  • 预测图的空间分辨率和特征图一样，

推理：

• 得到密集预测图，对非背景的框进行非极大值抑制

训练：

• 匹配生成密集预测图真值，包括类别真值和边界框回归真值
• 把模型生成的密集预测图和 密集预测图的Ground Truth进行loss计算，梯度回传，参数更新等。

1.3 密集预测范式的改进：多尺度预测

图像中物体大小可能有很大差异，比如可能同时存在100px的椅子和20px的汽车，

• 如果使用上面说的朴素的密集预测范式，即只检测头（head）部分，基于主干网络（backbone）的最后一层或者倒数第二层的特征图进行预测。
  • 受限于结构（感受野），只擅长中等大小的物体（和卷积网络的设计，stride及卷积层等的层数有关）
  • 深层的特征图经过多次降采样，位置信息逐层丢失，小物体检测能力弱，定位精度低（pooling位置精度变低，/2）
• 如何让网络可以支持多种尺度物体的检测，锚框是一种可以选择的技术

1.3.1 锚框

可以在原图上设置不同尺寸的基准框（锚框），基于特征分别预测每个锚框中是否包含物体

• 对于特征图中每个位置，都可以在原图找到对应的感受野（蓝色虚线框），在感受野范围内，生成锚框，可以是多种尺度和多种长宽比的。
• 但是由于锚框还是基于某个特征图的，特征图确定了，感受野范围和特征抽象程度就确定了，锚框最多能处理感受野内1倍~2倍尺度变化的物体，更大尺度变化的物体还是无法处理的

所以锚框对于处理多尺度的作用还是有限的

1.3.2 图像金字塔

其实还有一种思路，图像金字塔

• 虽然模型不能变，模型只能比较好的适应某一个尺度的物体（中等尺度）。。。
• 但是输入图像的大小可以变（可以把要检测的物体变大/变小）来适应模型可以检测的物体尺度，则：
  • 在变大的图像上（小物体变成中等尺度的物体），模型就能更好的检测小物体
  • 在变小的图像上（大物体变成中等尺度的物体），模型就能更好的检测大物体

这种方式

• 优势：算法不经改动就可以适应不同尺度的物体
• 劣势：计算成本成倍增加。
• 图像金字塔有多少级图像，计算成本就增加多少倍；可以用在模型集成等不在意计算成本的情况下

图像金字塔这种技术和模型没有关系，随便哪个模型配上这个技术都可以去检测不同尺度的物体（检测多尺度物体的能力进一步增加）

• 更多作为一种辅助手段来用，
• 比如有个训练好的模型，加上图像金字塔，得到多个尺度下的框，然后把这些框收集起来，一起做NMS
• 有些软件里也会有这种test time augmentation的操作

图像金字塔，只是一种辅助手段，更多还是希望从模型本身出发，来提高模型检测多尺度物体的一种能力

---

关于test time augmentation（测试时数据增强-TTA），

• 通常我们说的数据增强是针对训练集的，主要是为了增加训练集样本数量，让模型看的更多
• 而TTA是为了让模型对每个图像做出更多的预测，得到每个图像预测结果的合集。
• 详见：使用 测试时数据增强（TTA）提高预测结果

1.3.3 基于层次化特征

卷积神经网络本身就是一种层次化结构

• 深层的特征图对应的感受野就更大，抽象级别更高
• 低层特征图对应的感受野小，位置精度就比较高。
• 可以借助卷积神经网络本身天然的特征图层次结构特征，来检测不同尺度的物体，
• 相对于图像金字塔，这种的计算成本就会低很多，不需要把输入图像resize好几遍，forward好几遍产生多次预测结果

这种方式：

• 优势：计算成本低
• 劣势：低层特征抽象级别不够，可能只能看到边缘，去预测物体类别还是有些困难。虽然定位精度高，但是语义信息比较弱
• 改进方式：把高层特征融入低层特征，补充低层特征的语义信息，可以帮助进行小物体的预测
• 这个思路就是特征金字塔的思路

1.3.4 特征金字塔（FPN）（2016）

特征金字塔：feature pyramid network。以右图为例：

• 一般每次卷积，都是通道数加倍，特征图（空间分辨率）减半，所以卷积时，三个卷积的特征图的大小分别是原图的$1/2$，$1/4$和$1/8$
• 那么要把高层次特征（如最高层（3层））融入到低层次特征（次高层（2））里，即对于第二层来说：采取的操作
  1. 把上一级的高层次特征，进行2倍上采样，特征图分辨率X2。因为从2层→3层的时候，特征图减半，所以2层的特征图本身大小就是3层的2倍，因此需要把3层的特征图放大两倍，和当前2层特征图分辨率一致
  2. 由于2层→3层的时候，通道数加倍，因此2层的通道数是3层的一半，所以2层自己要通过一个1x1卷积把通道数加倍。
  3. 这样之后，2层的特征和3层的特征维度就一样了，就可以对应相加
• 这种多尺度特征图融合，和之前人体姿态里讲的：HRNet，思路差不多，详见：OpenMMLab-AI实战营第二期——2-1.人体关键点检测与MMPose-2.2.4 HRNet(2019)

1.3.5 多尺度的密集预测

目前FPN已经是主流目标检测模模型里的一个标配了，把FPN放到密集预测里，整个网络的架构如上图，整体分为三个部分：

• 主干网络（backbone：进行特征提取），比如：Resnet，5个stage就是5个级别的特征
• 特征金字塔（neck：对主干网络的特征进行进一步处理），对多层次的特征进行融合（相邻层的高融合到低，没有跨层）
• 多尺度密集预测头（head：适应具体的任务，分类头或者回归头等），比如：上面朴素密集检测是1x1卷积，实际上可能会是多层卷积
• 推理：把所有尺度的前景框都拿出来，进行NMS后处理
• 训练：这里有多个密集预测头，即有多个密集预测的推理结果，那么就需要多组真值（多尺度匹配产生多个密集预测的真值）。可以去看看上面 1.2.5部分的如何训练，就懂了。

2. 单阶段&无锚框检测器选讲

主要选一些实用性比较强的单阶段算法进行讲解

早期性能不行，所以主要是二阶段，后面单阶段性能上来了，就逐渐替代了二阶段，成为主流（17~20我上学的那三年还是二阶段比较火，工作之后单阶段逐渐就兴起了）

2.1 RPN（2015）

2.1.1 基本原理

RPN严格来说不是一个目标检测算法，是半个检测算法，是Faster RCNN的第一阶段，用来初步筛选图像中包含物体的位置，不预测具体的类别。

• 可以认为是个简化的一类检测器，C=1，只检测前景和背景
• RPN应该是第一个基于密集预测的模型

只包含两个部分：主干网络和检测头，不包含FPN的特征金字塔neck

• 主干网络一开始用的是VGG16的前13个卷积层（前4个stage），后来Resnet出现了，就用ResNet的前4个Stage，经过4次降采样，所以降采样率=16（得到的特征图是原图的$1/16$）
• 检测头是1个3x3卷积和1个1x1卷积，前者进一步压缩特征，后者产生3个锚框的分类（2：前景+背景）和边界框回归预测（4个偏移值）。这里规定只生成3个锚框

• 上面是VGG的结构，也是把蓝色的部分去掉，只用到14x14这个特征图做预测(224/14=16，下采样率=16)
• 下面是ResNet的结构，把蓝色框的第五级stage去掉，只用14x14的这个特征图做密集预测

2.2.2 RPN-head代码

上面这个图的代码可能比较老一点，也更清晰一点。主要是forward部分，这个只是rpn网络的head，没有主干部分

# self.cls_out_channels=1或者2取决于使用BCE(Binary CrossEntropy Loss)还是CE loss（Cross Entropy）,如果是2分类的CE loss，输出就是2
self.rpn_cls = nn.Conv2d(self.feat_channels,self.num_base_priors * self.cls_out_channels,1)
reg_dim = self.bbox_coder.encode_size # 这里就是4
self.rpn_reg = nn.Conv2d(self.feat_channels,self.num_base_priors * reg_dim, 1)
        
def forward_single(self, x: Tensor) -> Tuple[Tensor, Tensor]:
        x = self.rpn_conv(x) # 1个3x3卷积，进一步计算特征
        x = F.relu(x) # 经过relu
        # 3x（2+4） 这里用了把之前的1x1卷积分成了两个，但是输入都是x，输出不一样，所以用了分开的两个1x1卷积表示
        # 上面的num_base_priors实际上就是锚框的个数
        rpn_cls_score = self.rpn_cls(x) # 1x1卷积，锚框的分类
        rpn_bbox_pred = self.rpn_reg(x) # 1x1卷积，锚框的回归
        return rpn_cls_score, rpn_bbox_pred

这个代码其实和之前 1.2.2 边界框回归部分的网络结构也很像

---

链接：mmdetection/mmdet/models/dense_heads/rpn_head.py

def _init_layers(self) -> None:
        """Initialize layers of the head."""
        if self.num_convs > 1:
            rpn_convs = []
            for i in range(self.num_convs):
                if i == 0:
                    in_channels = self.in_channels
                else:
                    in_channels = self.feat_channels
                rpn_convs.append(ConvModule(in_channels,self.feat_channels,3,padding=1,inplace=False))
            self.rpn_conv = nn.Sequential(*rpn_convs)
        else:
            self.rpn_conv = nn.Conv2d(self.in_channels, self.feat_channels, 3, padding=1)
        self.rpn_cls = nn.Conv2d(self.feat_channels,self.num_base_priors * self.cls_out_channels,1)
        reg_dim = self.bbox_coder.encode_size
        self.rpn_reg = nn.Conv2d(self.feat_channels,self.num_base_priors * reg_dim, 1)
def forward_single(self, x: Tensor) -> Tuple[Tensor, Tensor]:
        x = self.rpn_conv(x)
        x = F.relu(x)
        rpn_cls_score = self.rpn_cls(x)
        rpn_bbox_pred = self.rpn_reg(x)
        return rpn_cls_score, rpn_bbox_pred

2.2.3 RPN-基于loU的匹配

链接：mmdetection/mmdet/models/task_modules/assigners/approx_max_iou_assigner.py

这里的bbox指的就是每个位置的每个Anchor（锚框），每个锚框生成一个分类结果和边界框回归结果。proposal，候选框，其实指的还是bbox（锚框）

这里主要介绍下大致步骤，详情可以去看代码：

1. 把所有锚框的类别都设置为背景（初始化，给个默认值，可以认为是类别-1，不是负样本，可以认为一开始是个空值，不属于任何类别）
2. 把那些和所有GT(真值标记框，有物体的框)的iou都小于neg_iou_thr（一般是个很小的值，比如0.3）的候选框设置成0，即这些框被认为是背景。一个框和所有有物体的真值框的重叠程度（交并比）都很小，比如低于0.3，就认为这个候选框是背景。
3. 对每个框，如果这个框和离它最近的真值框（GT）的交并比大于某个阈值，那么就把这个GT对应的物体类别分配给这个框。可以在上面的代码链接页面搜索一下pos_iou_thr，就能看到说明了
4. 经过第3步之后，还有一些GT框没有被使用过，直接把这些GT框的类别分配给离他们最近的锚框（可能会有多个）。要保证每个ground truth，

---

基于稀疏的标注框，为密集预测的结果产生真值，这个过程称为匹配（Assignment）

• 但是这里基于IoU的匹配，是给锚框分配分类真值，一个锚框其实对应密集预测图中的一部分
• 可以结合 1.2.5 如何训练 部分匹配的内容来理解这部分

2.2 YOLO（2005）

2.2.1 Yolo模型

和RPN同年，出现了yolo，

• 图片出处：https://lilianweng.github.io/lil-log/2018/12/27/object-detection-part-4.html，这好像是个大佬，主页很好看，如果要基于github搭建博客，可以参考这个人的

Yolo也是一个单尺度模型，只有主干网络和检测头，没有多尺度模块

• 主干网络是自己设计的19层的DartNet结构，$448\times 448\times 3$ 的输入，卷积后产生$7\times 7\times 1024$的输出
• 预测头是一个两层的全连接层，生成$7\times 7$组预测结果，对应图中$7\times 7$个空间位置上物体的类别和边界框的位置。
  • 预测头仍然保持特征图的空间结构（与主干网络输出的特征图空间分辨率一致，都是$7\times 7$），输出是30个通道
  • 这30个通道包括：类别C=20（最早用于coco数据集，20分类），两组边界框（包括2个中心点的偏移和边界框的大小，1个Score/置信度（模型额外预测的，训练的时候实际上看的是预测框和真实框的IOU））

2.2.2 Yolo的匹配和框编码

YoLo的匹配和之前说的不太一样，这部分才是理解yolo的关键，

• 整体思路：将输入图像按照模型的输出网格（比如7x7大小）进行划分，划分之后就有很多小cell了。我们再看图片中物体的中心是落在哪个cell里面，落在哪个cell哪个cell就负责预测这个物体

具体而言：

1. 预测图是7x7，即预测图中一共可以有49个物体/位置的预测结果，则真值图也是7x7。
2. 那么把原图也对应划分成7x7的格子（一般就是均分），但是注意：原图上1个格子≠1个像素，一般是一个小区域。因为原图的7x7和预测图的7x7肯定还是存在一些位置的对应关系（卷积位置不变性）
3. 比如上图，狗的中心位于原图的红色格子，则生成密度预测真值时（匹配），
   • 就认为密度预测真值图对应的位置的红色格子的类别就是狗，
   • 同时该物体的标准框也就是对应的真值图上该位置的边界框真值（用偏移量来算，$△X,△Y$指是狗的中心到红色格子的边缘的偏移量；W和H指的是黄色那个窗相对于整个图像的比例）
   • score就是交并比
4. 为了可以预测准一点，一般特征图上每一个cell都对应两组（B组）边界框的预测，不过算loss的时候，只算和真值框IoU最大的那个预测框，剩下的是不计算loss的
5. B组边界框其实是为了预测不同大小的物体而设置的，同时背景的边界框也是不参与loss计算的

参考：

• 可以看看你真的读懂yolo了吗？，这个人也是个大佬，可以看看他的其他东西。
• 也可以看看这个ppt，很清晰： YOLO

2.2.3 Yolo的损失函数

这里的损失函数都是示性函数，想打出这个符号需要latex支持，CSDN的katex不怎么支持，详见：How do you get \mathbb{1} to work (characteristic function of a set)?

• 第一部分：表示有物体的位置，才去计算边界框loss（没有物体的位置，只计算分类损失），分别是中心和长宽计算（很少看到平方差了，基本都是cross entropy）
• 第二部分：置信度回归损失，也是平方差loss

示性函数概念：

• 百度百科-示性函数
• stackexchange：YOLO v2 loss function，在这里面搜索indicator functions
• stackexchange：How to read out the loss function in YOLO algorithm?，在这里面搜索indicator functions

2.2.4 YOLO的优点和缺点

• 优点就是快，最初版本的yolo已经基本可以达到实时的速度了，如果使用原始的9层DarkNet，速度非常宽，即便是VGG的YOLO，也有21FPS（每秒21帧）
• 缺点就是因为是对原图做比较粗糙的划分格子，所以对于重叠物体，无法一个cell检测两个类别

2.3 SSD（2016）

上面介绍的RPN和YOLO都是基于单级特征图进行检测的（都是只使用了主干网络的最后一层的特征图），SSD是第一个尝试使用多级特征图去检测的模型

• 使用了VGG的Conv4_3(VGG第四阶段的第三个特征图)+一些额外的卷积层产生的特征图
• 基于每个特征图进行密集预测，不同特征图的锚框数量不同，比如：VGG的那个特征图是4个锚框，Conv7是6个锚框…
• 最终在300x300的图像上，一共产生了有大有小的8732个锚框

为了给上面那8000多个锚框生成真值，SSD也采用了基于IOU的匹配规则。

1. 首先，把每个真值框匹配到与其交并比最大的锚框
2. 把剩余锚框匹配给与其交并比大于0.5的真值框进行匹配，一个真值框可以匹配给多个锚框。这样做也是为了增加正样本的个数，来抗衡训练中大量的负样本（背景样本）

2.4 Focal Loss与RetinaNet（2017）

从RetinaNet开始，FPN（特征金字塔）就成为了检测算法的一个主要模块。其主要结构：

• Resnet主干网络，实际上只用了Resnet的3-5层，每层的特征图是原图的$1/8$，$1/16$，$1/32$。
• Neck使用FPN进行多尺度检测，除了画出来的这三层，其实上面还有额外进行降采样的两层，分别是$1/64$和$1/128$，可以用来检测特别大的物体。
  • 所以一共有5级特征图，对应降采样率是8~128倍。
  • 每级特征图设置3种尺寸x3种长宽比的锚框，覆盖32~813像素尺寸。
• 5层卷积构成检测头（密集预测头），分成了两支，分别检测类别和边界框，
  • 在类别分支，WxH就是空间分辨率，K是类别数，A是锚框；在box分支，4A（就是为每个锚框预测4个偏移量）
  • 即为每个位置的每个锚框产生K个类别预测和4个box偏移量预测
• 提出了FocalLoss去计算分类损失，主要解决类别不平衡问题

RetinaNet当时出现也是引起了轰动，在COCO数据集上，单阶段超越当时最先进的两阶段Faster R-CNN。

当时单阶段算法面临的一个巨大的问题就是：正负样本不均衡问题

以SSD的图为例：

• 原图的ground truth是非常稀疏的（需要检测的有物体的框很少），比如上图只有两个（猫和狗）
• 即便可以把正样本匹配到多个锚框上，那也就只有几个锚框（正样本）；而我们生成的锚框可能有成千上万个（SSD生成的锚框数量是8000多个），也就是除了那几个之外，都是负样本（背景）

• 则在分类时，由于负样本数量过多，导致计算loss时，背景类占据了主导，导致模型偏向背景预测。
• 即朴素（原始）的分类不损，不能保证检测器在有限的能力下，达到漏检和错检之间的平衡
  • 模型把所有框都预测成背景，正确率依然很高，所以直接错检也没啥
  • 即原始的这种分类损失和目标检测的目标并不匹配，目标检测更想要检测的是样本稀少的正样本，而不是均等的检测每个类

---

FocalLoss一开始就分析了一下损失函数的组成部分，

1. 正样本框的损失
2. 难负样本的损失（GT是负样本（背景），但是不好分的那种锚框）
3. 简单负样本（容易分的负样本）

由于负样本占大多数，所以先分析负样本的损失，

• 上图是交叉熵损失的曲线，横轴是模型把背景预测为负样本的概率，纵轴是损失
• 理想情况下，希望背景预测为负样本的概率为1，此时负样本的损失就是0，对应上图最右边曲线和x轴的交点
• 如果模型完全预测错误，即把背景预测成负样本的概率为0，那么此时损失就是无穷大
• 但是模型不会那么准确，能得到把背景预测成负样本的概率是1，但是即便预测概率在0.6以上，图上可以看到多多少少也都还是有些损失。
• 但是实际上，预测概率在0.6以上其实就够了，不是非要让模型预测成1才可以，这部分其实已经没必要参与loss的计算了
• 对那些困难负样本，正确预测为负样本的概率就比较低，损失就会比较大，所以需要优化的这些困难负样本的概率。

但是实际上，简单负样本反倒是负样本中比例非常大的部分，虽然每个都只产生了一点点损失，但是其实它们才是负样本损失贡献最大的部分。

• 导致模型优化的时候主要去进一步降低简单负样本的损失，而不是困难负样本的损失（以及正样本的损失）
• 优化方向错误

FocalLoss就是在这个观察的基础上诞生的，

• 主要就是在交叉熵损失函数前面加了一个系数，降低了简单负样本的损失，
• 比如设定参数$\gamma$（是一个可调的参数），让预测背景为负样本的概率是0.6以上的基本就没有loss了，大大降低简单负样本在loss中的占比。
• 让困难负样本和少量正样本的误差成为loss中的主导，纠正模型的优化方向

不同的$\gamma$会有不同的结果：

• $\gamma =0$，FocalLoss退化成CE（cross entropy）
• $\gamma$越大，对简单负样本的损失的抑制越强
• 通常$\gamma =2$是一个经验性的比较好的结果

• 完整的FocalLoss其实还有个系数，调节的事正负样本的比例。
• 论文里给出的实验结论是：$\gamma =2,\alpha =0.25$时会产生最好的实验结果。

2.5 YOLO系列选讲

2.5.1 YOLOv3（2018）

在RetinaNet和FocalLoss出现之后，单阶段有了希望。YOLOv3集百家之所长，出现了

• 主干网络，DarkNet变成了53层，加入了ResNet模块，还加入了类FPN（特征金字塔网络）结构，CBL+上采样+concat，有特征融合（高层CBL经过上采样与低层RES8融合），这里是3级特征图（13x13, 26x26， 52x52），相对于原图降采样率就是32、16和8。RetinaNet是5级
• head密集预测头，两层卷积组成（CBL+CONV），每个位置三个锚框，coco数据集那时候是80个类别，所以每级特征图对应位置要产生3x(80+4+1)=255个通道的预测值

YOLO就是快啊，画条横线，同等精度下，YOLO最快

2.5.2 YOLOv5（2020）

2.6 无锚框检测算法

2.6.1 重叠问题

YoLo就是无锚框的，所以以前无法解决重叠物体，但是FPN可以解决问题。

朴素的想法：同一个位置重合的物体，如果大小有所不同的话，实际可以由不同级别的特征图来进行预测的。

2.6.2 FCOS（2019）

• FCOS就是基于：同一个位置重合的物体，如果大小有所不同的话，实际可以由不同级别的特征图来进行预测的。 这一想法来实现的。
• 模型结构和RetinaNet大致相同，8~128倍降采样率，有多个密集检测头，可以进行多尺度物体的检测
• 区别在于FCOS是无锚框的，所以预测目标和RetinaNet就会有所不同
  • 分类是差不多的，
  • 主要是边界框，之前RetinaNet是真实位置相对于锚框的偏移量；现在FCOS是物体上下左右边界相对于中心的偏移量，centerness和yolo里框的质量/置信度差不多是一个作用，评判当前这个中心点是不是在物体最中心的位置，在中心，值就是1，在边上，值就是0

为了适应无锚框的算法，FCOS提出了一种新的匹配规则（生成密集预测真值图的方式）
相对于之前的锚框基于IOU的匹配，FCOS的匹配会生成更多的正样本，正样本多一点，对训练来说，是好事。

1. 重叠的物体一般不会一模一样大，一模一样肯定就有个看不见的，看不见的就没必要预测了
2. 假设有个位置，有1大1小两个预测框，怎么去判断取哪个？
   • 如果这个位置对应的特征图是P3，那么就预测小物体
   • 对应的是高层特征图，就预测大物体。
   • 即：锚框匹配同尺度的真值框（同级别）

• 中心度定义：是横竖两个方向中心度的几何平均值，$l^{\ast },r^{\ast }$分别表示中心点到左侧边界和右侧边界的距离

2.6.3 CenterNet(2019)

2.6.4 YOLOX（2021）

和同期的YOLOv5在精度和速度上都是差不多的

2.6.5 YOLO v8

把YOLO系列上了一个新台阶

2.7 总结