菏泽 网站建设,如何登录qq网页版,旅游网站模板源码,手机网站不收录9.1.3 简单介绍单阶段模型YOLO、YOLOv2、YOLO9000、YOLOv3的发展过程 前情回顾#xff1a;9.1.2 简单介绍两阶段模型R-CNN、SPPNet、Fast R-CNN、Faster R-CNN的发展过程 摘要
YOLOYOLOv2YOLO9000YOLOv3基本思想使用一个端到端的卷积神经网络直接预测目标的类别和位置针对YOL…9.1.3 简单介绍单阶段模型YOLO、YOLOv2、YOLO9000、YOLOv3的发展过程 前情回顾9.1.2 简单介绍两阶段模型R-CNN、SPPNet、Fast R-CNN、Faster R-CNN的发展过程 摘要
YOLOYOLOv2YOLO9000YOLOv3基本思想使用一个端到端的卷积神经网络直接预测目标的类别和位置针对YOLOv1的两个缺点进行改进可以实时地检测超过9000种物体其主要贡献是使用检测数据集和分类数据集进行联合训练。在YOLOv2基础上进行改进优化模型效果优点相对于两阶段模型YOLO实时性高但检测精度稍低使用检测数据集和分类数据集进行联合训练采用在YOLOv2基础上进行改进优化模型效果进行联合训练使其在小物体上也能获得很好的检测效果输入图像448×448416×416具体做法将输入图片划分成SxS的方格每个方格需要检测出中心点位于该方格内的物体。在具体实施时每个方格会预测B个边界框包括位置、尺寸和置信度1.批归一化BN层2.在高精度的图片上调优fine-tune10个批次batch3.k-means算法4.直接在预先设定的锚框上提取特征5.输入图像的尺寸416×4166.将不同大小的特征图结合起来进行物体检测7.训练每隔10个批次就改变输入图片大小8.DarkNet-19字典树损失函数二元交叉熵损失函数主体网络参考 GoogLeNet由24个卷积层和2个全连接层组成DarkNet-19 采用3x3的卷积核**共有**19个卷积层和5个池化层DarkNet-5353个卷积层借鉴了残差网络的快捷连接shortcut结构缺点低召回率、低定位准确率
1.YOLO 基本思想是使用一个端到端的卷积神经网络直接预测目标的类别和位置。 优点相对于两阶段模型YOLO实时性高但检测精度稍低。 做法YOLO将输入图片划分成SxS的方格每个方格需要检测出中心点位于该方格内的物体。在具体实施时每个方格会预测B个边界框包括位置、尺寸和置信度。 主体YOLO的主体网络结构参考 GoogLeNet由24个卷积层和2个全连接层组成。 缺点低召回率、低定位准确率
2.YOLOv2
YOLOv2针对YOLO的两个缺点即低召回率和低定位准确率进行了一系列的改进下面简单介绍其中的几点。 1YOLOv2在卷积层后面添加了批归一化BN层以加快收敛速度防止过拟合。 2YOLOv2的卷积特征提取器在进行检测任务前先在高精度的图片上调优fine-tune10个批次batch这样能使检测模型提前适应高分辨率图像。 3YOLOv2采用k-means算法进行聚类获取先验锚框并且聚类没有采用欧氏距离而是有针对性地改进了距离的定义即 d ( b o x , c e n t r o i d ) 1 − I O U ( b o x , c e n t o r i d ) d(box,centroid)1-IOU(box,centorid) d(box,centroid)1−IOU(box,centorid) 使其更适合于检测任务。 4YOLOv2直接在预先设定的锚框上提取特征。YOLO使用卷积神经网络作为特征提取器在卷积神经网络之后加上全连接层来预测边界框的中心位置、大小和置信度而YOLOv2借鉴了Faster R-CNN的思路用卷积神经网络直接在锚点框上预测偏移量和置信度该方法要比 YOLO更简单、更容易学习。 5YOLOv2将输入图像的尺寸从448x448变成416x416这是因为在真实场景中图片通常是以某个物体为中心修改输入图像的尺寸后将整幅图像经过卷积层后变成13x134163213的特征图长宽都是奇数可以有效地识别出中心。 6YOLOv2在13x13的特征图上检测物体对于小物体检测这个精度还远远不够。因此YOLOv2还将不同大小的特征图结合起来进行物体检测。具体来说YOLOv2将最后一个池化层的输入26×26×512经过直通层变成13×13×2048的特征图再与池化后的13×13×1024特征图结合在一起进行物体检测。 7YOLOv2 使用不同尺寸的图片同时训练网络。为了增强模型的鲁棒性模型在训练过程中每隔10个批次就改变输入图片的大小。 8YOLOv2使用新的卷积特征提取网络DarkNet-19。当时大多数检测模型的特征提取部分都采用VGGNet-16作为网络主体VGGNet-16 虽然效果良好但是参数过多运行缓慢。DarkNet-19采用3x3的卷积核共有19个卷积层和5个池化层。
3.YOLO9000
YOLO9000可以实时地检测超过9000种物体其主要贡献是使用检测数据集和分类数据集进行联合训练。 检测数据集特点相对于分类数据集来说数据量小、类别少、类别粒度粗且获取困难因此研究人员考虑使用分类和检测数据集进行联合训练提高模型的泛化能力。 问题及解决然而一般分类数据集的标签粒度要远小于检测数据集的标签粒度为了能够联合训练YOLO9000 模型构建了字典树合并 ImageNet的分类数据集标签与COCO的检测数据集标签。
4.YOLOv3
YOLOv3在YOLOv2的基础上进行了一些小的改动来优化模型的效果。
首先检测数据可能存在一些语义上重叠的标签如女人和人但Softmax 函数基于一个假设即每个检测框内的物体只存在一个类别。因此YOLOv3使用二元交叉熵损失函数而不是Softmax函数这样可以更好地支持多标签的检测。其次YOLOv3采用了更深的网络作为特征提取器即DarkNet-53它包含了53个卷积层。为了避免深层网络带来的梯度消失问题DarkNet-53 借鉴了残差网络的快捷连接shortcut结构。同时YOLOv3还采用了3个不同大小的特征图进行联合训练使其在小物体上也能获得很好的检测效果。 下集预告9.1.4 有哪些措施可以增强模型对于小物体的检测效果 参考文献 《百面深度学习》 诸葛越 江云胜主编 出版社人民邮电出版社北京 ISBN978-7-115-53097-4 2020年7月第1版2020年7月北京第二次印刷 推荐阅读 //好用小工具↓ 分享一个免费的chat工具 分享一个好用的读论文的网站 // 深度学习经典网络↓ LeNet网络1989年提出,1998年改进 AlexNet网络2012年提出 VGGNet网络2014年提出 LeNet、AlexNet、VGGNet总结 GoogLeNet网络2014年提出 ResNet网络2015年提出
