目标检测网络

小咪咪 2022-10-24 11:42 253阅读 0赞

**目录**

一、one-stage

1、yolo

1.1 yolov1

1.2 yolov2

1.3 yolov3

1.4 yolov4

1.5 yolov5

2、SSD

3、RetainNet

二、two-stage

1、R-CNN

2、Fast R-CNN

3、Faster R-CNN

--------------------

大致分为两类one-stage和two-stage，主要区别是检测目标类别与bounding box回归任务是否分开进行。

two-stage代表是rcnn系列（rcnn、fast-rcnn、faster-rcnn）等

one-stage代表是yolo系列（yolov1-yolov5）、SSD、RetainNet等

# 一、one-stage #

## 1、yolo ##

### 1.1 yolov1 ###

网络：

![ddf5b565c5771065d14ed3c9960c78fb.png][]

由最后的全连接层转化多维度张量（7\*7\*30），可以将7\*7看成特征图，特征图中每点映射到原始图像一块区域（相当于将原始图像划分成7\*7的网格），30=2\*5+20表示预测出的bbox信息包含2个box（每个box中信息为box中心点坐标及box的宽高、置信度）及2个box对应的20类的概率值。简单理解为在7\*7网格中，每个网络都有可能预测出2个box，因此一张图最终会预测出7\*7\*2=98个box。

置信度作用表示该box中存在目标的可能性。

![20180606164218784][]

置信度得分：置信度\*每类概率。（测试时使用）![20180606164339450][]

编码：将GT-box信息转化为7\*7\*30的张量，有目标的cell中，对应目标类别概率设为1，其他类别概率为0，置信度为1；无目标的cell中概率置信度均为0.

损失函数：包含坐标、有无目标的置信度及概率的误差损失。

![20180606164516310][]

预测使用NMS算法进行筛选，选取出最优的box

优点

（1）yolo很快，它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（将对象检测作为一个回归问题）

（2）yolo会基于整张图片信息进行预测，而其他滑窗式的检测框架，只能基于局部图片信息进行推理。

（3）yolo学到的图片特征更为通用。

缺点：

（1）物体检测精度低，召回率低。

（2）容易产生物体的定位错误。

（3） 对小物体的检测效果不好（尤其是密集的小物体，因为一个栅格只能预测 2 个物体）。

### 1.2 yolov2 ###

参考：[https://zhuanlan.zhihu.com/p/106704786][https_zhuanlan.zhihu.com_p_106704786]

改进：

（1）批规范化（Batch Normalization）

使用 Batch Normalization 对网络进行优化，去掉 dropout，让网络提高了收敛性，BN 层可以起到一定的正则化效果，能提升模型收敛速度，防止模型过拟合。

（2）高分辨率分类器（High Resolution Classifier）

先用224×224的输入来训练大概160个epoch，然后再把输入调整到448×448再训练10个epoch，然后再与训练好的模型上进行fine-tuning，检测的时候用448×448。

（3）使用 Anchor Boxes

作者借鉴了Faster R-CNN的思想，引入anchor

*  删除了全连接层和最后一个pooling层，使得最后的卷积层可以有更高的分辨率。
 *  缩减网络，用416\*416输入代替448\*448，这样做是希望得到的特征图都是奇数大小的宽和高，奇数大小的宽和高会使得每个特征图在划分cell的时候只有一个中心cell，因为大的目标一般会占据图像的中心，所以希望用一个中心cell去预测，而不是四个中心cell。
 *  预测得到13\*13\*5=845个box

（4）通过K-means来学习出anchor box

在K-means算法中重新定义iou距离作为样本之间距离计算

![20210201144541942.png][]

（5） 直接位置预测(Direct Location Prediction)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3MjY0Mzk3_size_16_color_FFFFFF_t_70][]

YOLOv2对框回归过程进行了改进，过去的框回归过程，由于对tx,ty  参数没有约束，使得回归后的目标框可以位移到任意位置，这也导致YOLO的框回归中存在不稳定性。改进的做法为引入sigmid函数，对预测的x,y  进行约束。

YOLOv2在框回归时，为每一个目标框预测5个参数： tx,ty,tw,th,t0 ，调整的计算公式为：

![20210201144950606.png][]

![20210201145225437.png][]

通过使用sigmid函数，将偏移量的范围限制到 (0,1) ，使得预测框的中心坐标总位于格子内部，减少了模型的不稳定性。

（6）网络搭建：Darknet-19，拥有19个卷积层和5个Max Pooling层，网络中使用了Batch Normalization来加快收敛。最后的conv层、avgpool层和softmax层是用于分类训练时的输出结构。当进行预测时，去掉这三层，只保留箭头间的部分进行特征提取。

![035f26cfcebb4bcfeb56b1d0f7b0b7c3.png][]

（7）多尺度训练

由于网络中只包含卷积层和池化层，YOLOv2为了增加网络的鲁棒性，在训练过程中动态调整网络的输入大小，同时相应地调整网络的结构以满足输入。因为网络下采样32倍，要求输入尺寸包含因数32。

（8）损失函数

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3MjY0Mzk3_size_16_color_FFFFFF_t_70 1][]

[损失函数详解][Link 1]

无法解决重叠问题的分类

### 1.3 yolov3 ###

改进：

YOLOv3 借鉴了 FPN 的思想，从不同尺度提取特征。相比 YOLOv2，YOLOv3 提取最后 3 层特征图，不仅在每个特征图上分别独立做预测，同时通过将小特征图上采样到与大的特征图相同大小，然后与大的特征图拼接做进一步预测。用维度聚类的思想聚类出 9 种尺度的 anchor box，将 9 种尺度的 anchor box 均匀的分配给 3 种尺度的特征图

用逻辑回归替代 softmax 作为分类器

在 YOLO v3 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

（1）网络：DarkNet-53

![70][]

（2）损失函数

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3MjY0Mzk3_size_16_color_FFFFFF_t_70 2][]

### 1.4 yolov4 ###

改进：

**（1）输入端：****Mosaic数据增强**、cmBN、SAT自对抗训练。  
**（2）BackBone主干网络：****CSPDarknet53**、**Mish激活函数**、**Dropblock**  
**（3）Neck：**目标检测网络在BackBone和最后的输出层之间往往会插入一些层，比如**Yolov4中的SPP模块**、**FPN+PAN结构**  
**（4）Prediction：**输出层的锚框机制和Yolov3相同，主要改进的是训练时的损失函数**CIOU\_Loss**，以及预测框筛选的nms变为**DIOU\_nms**

### 1.5 yolov5 ###

（1）输入端：Mosaic数据增强、自适应锚框计算  
（2）Backbone：Focus结构，CSP结构  
（3）Neck：FPN+PAN结构  
（4）Prediction：GIOU\_Loss

## 2、SSD ##

详细参考：[https://www.cnblogs.com/MY0213/p/9858383.html][https_www.cnblogs.com_MY0213_p_9858383.html]

![412c167ee76be48629dcf8fde53fb9b5.png][]

以VGG16网络卷积组作为SSD网络前一部分，后面的2个全连接层用卷积层替换，并追加4组卷积组。

从整个SSD网络中选择conv4\_3、conv7、conv8\_2、conv9\_2、conv10\_2、conv11\_2卷积层的特征图预测出box，由不同层特征图预测出不同尺寸的目标（多尺度），浅层预测出小目标，深层预测出大目标并且每个特征图（fp\*fp）中的每个点映射到原图感受视野区域（中心点），如38\*38特征图在原始图片300\*300中对应的视野区域为8\*8，每个点预测出K个box，每个box中信息包含位置及对应各类别概率值(C)，所以各层抽取的特征图最后转化为(fp,fp,K,(C+4))。K的为4、6、6、6、4、4分别对应各fp。

①、网络构建

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3MjY0Mzk3_size_16_color_FFFFFF_t_70 3][]

②、先验框构造

参考：[https://blog.csdn.net/BistuSim/article/details/83048407][https_blog.csdn.net_BistuSim_article_details_83048407]

先验框目的主要是为了筛选出符合与GT-box最优的框，再与GT-box计算位置损失与置信度损失。

匹配的策略：首先选择与GT Box具有最大IOU的先验框作为正样本；其次，若某个先验框的的IOU>0.5，也认为是正样本。这样使得网络可以对多个先验框进行预测，可以预测目标的多种形状。

先验框尺度设置：随着特征图大小降低，先验框尺度线性增加

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3MjY0Mzk3_size_16_color_FFFFFF_t_70 4][]

③、损失函数

损失函数定义为位置误差（locatization loss， loc）与置信度误差（confidence loss, conf）的加权和：

![20210131213657814.png][]

位置误差：

![3637b2cc6cce4d546cde81874e69a0f3.png][]

置信度误差：

![a9516d0081751bb20349b2c1d0904989.png][]

参考：[https://segmentfault.com/a/1190000021845972][https_segmentfault.com_a_1190000021845972]

## 3、RetainNet ##

RetinaNet主要解决的问题就是一步做完却会导致的----类别不平衡问题，即在得到的一堆锚框中，实际上只有少数量的目标框，还有很多无用的背景图，导致极端的类别不平衡。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NwMTMxNDk3MQ_size_16_color_FFFFFF_t_70][]

①、网络

ResNet + FPN + SubNet

②、Focal Loss

Focal loss主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重，也可理解为一种困难样本挖掘。

# 二、two-stage #

RCNN系列对比：[参考][Link 2]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3MjY0Mzk3_size_16_color_FFFFFF_t_70 5][]

## 1、R-CNN ##

![74951cb69721465ad23f21c993b03cd5.png][]

实现步骤：

①使用SS（Selective Search）算法生成约2k个候选框（Region Proposals，RP），通过warp，将RP统一变成227×227的大小。

**②将生成的所有候选框送入CNN中提取特征**

③使用SVM对输出的特征进行分类

④回归预测候选框

参考：[https://blog.csdn.net/shenxiaolu1984/article/details/51066975][https_blog.csdn.net_shenxiaolu1984_article_details_51066975]

## 2、Fast R-CNN ##

![Center][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3R5c3R1eGQ_size_16_color_FFFFFF_t_70][]

实现步骤：

①使用SS（Selective Search）算法生成约2k个候选框RP

②将原始图片送入CNN中提取特征

**③将生成的RP映射到最后的卷积层得到的特征图上**

④通过RoI pooling层使得每个RP成为固定尺寸的feature map

⑤利用Softmax Loss和Smooth L1 Loss对分类概率和Bb回归联合训练

参考：[https://blog.csdn.net/tystuxd/article/details/85317037?utm\_medium=distribute.pc\_relevant.none-task-blog-baidujs\_title-7&spm=1001.2101.3001.4242][https_blog.csdn.net_tystuxd_article_details_85317037_utm_medium_distribute.pc_relevant.none-task-blog-baidujs_title-7_spm_1001.2101.3001.4242]

## 3、Faster R-CNN ##

![Center 1][]

训练  
1）把整张图像送入CNN中进行feature map的提取。  
2）用RPN生成RP,每张图片生成300个。  
3）RP映射到最后一层feature map。  
4）在RoI pooling层把每个RoI生成固定大小的feature map。  
5）利用Softmax Loss和Smooth L1 Loss对分类概率和Bb回归联合训练。

## 4、SPP-net ##

![SouthEast][]

R-CNN（Selective Search + CNN + SVM）  
SPP-net（ROI Pooling）  
Fast R-CNN（Selective Search + CNN + ROI）  
Faster R-CNN（RPN + CNN + ROI）

参考：[https://blog.csdn.net/v\_JULY\_v/article/details/80170182?utm\_medium=distribute.pc\_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-6.control&depth\_1-utm\_source=distribute.pc\_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-6.control][https_blog.csdn.net_v_JULY_v_article_details_80170182_utm_medium_distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-6.control_depth_1-utm_source_distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-6.control]

几种目标检测网络的优缺点：

[https://zhuanlan.zhihu.com/p/53361944][https_zhuanlan.zhihu.com_p_53361944]

[https://blog.csdn.net/red\_stone1/article/details/101303122][https_blog.csdn.net_red_stone1_article_details_101303122]

[http://www.chuangze.cn/third\_1.asp?txtid=1255][http_www.chuangze.cn_third_1.asp_txtid_1255]

[https://github.com/kuangliu/pytorch-retinanet][https_github.com_kuangliu_pytorch-retinanet]

Focal Loss ：[https://www.cnblogs.com/king-lps/p/9497836.html][https_www.cnblogs.com_king-lps_p_9497836.html]

[https://blog.csdn.net/qq\_17448289/article/details/52871461][Link 2]

待续。。。

[ddf5b565c5771065d14ed3c9960c78fb.png]: /images/20221024/c149dc8ac3f9442a808a264ed31a3168.png
[20180606164218784]: /images/20221024/aaf1cb63fba041498cb51dd279579f5e.png
[20180606164339450]: /images/20221024/d1c2d62861db4ebc9d15413502f6da53.png
[20180606164516310]: /images/20221024/6803d0fcc16a432391daae4c27bc2751.png
[https_zhuanlan.zhihu.com_p_106704786]: https://zhuanlan.zhihu.com/p/106704786
[20210201144541942.png]: /images/20221024/bea03e41fbf543a995ee5629f6cffb4b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3MjY0Mzk3_size_16_color_FFFFFF_t_70]: /images/20221024/1fd52b56744d4dda8e05e465a94e4008.png
[20210201144950606.png]: /images/20221024/1cecc6c18c0747fbb550ddceb6371dd9.png
[20210201145225437.png]: /images/20221024/0462eb615d86451ca07e7f9f8a663134.png
[035f26cfcebb4bcfeb56b1d0f7b0b7c3.png]: /images/20221024/a485561900464594a756321609b9c46f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3MjY0Mzk3_size_16_color_FFFFFF_t_70 1]: /images/20221024/5e51cc630bd545109bbea30d421376ca.png
[Link 1]: https://blog.csdn.net/just_sort/article/details/103232484
[70]: /images/20221024/294267892391405e8c31654b171c9751.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3MjY0Mzk3_size_16_color_FFFFFF_t_70 2]: /images/20221024/0325f56d37ac4b798c838a8f090a1e06.png
[https_www.cnblogs.com_MY0213_p_9858383.html]: https://www.cnblogs.com/MY0213/p/9858383.html
[412c167ee76be48629dcf8fde53fb9b5.png]: /images/20221024/23a441896bd740f78a0abec8d962b775.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3MjY0Mzk3_size_16_color_FFFFFF_t_70 3]: /images/20221024/8a89b7818efb4cadb20e411b8a812654.png
[https_blog.csdn.net_BistuSim_article_details_83048407]: https://blog.csdn.net/BistuSim/article/details/83048407
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3MjY0Mzk3_size_16_color_FFFFFF_t_70 4]: /images/20221024/3c453421521b4a538248189a2d7f4d34.png
[20210131213657814.png]: /images/20221024/80ecd2cb40344b8897c0e0f71c1c5c80.png
[3637b2cc6cce4d546cde81874e69a0f3.png]: /images/20221024/de40612f5d2e43f384edaa57793fdcee.png
[a9516d0081751bb20349b2c1d0904989.png]: /images/20221024/f46f9d71e8d346e2ab864724ef630534.png
[https_segmentfault.com_a_1190000021845972]: https://segmentfault.com/a/1190000021845972
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NwMTMxNDk3MQ_size_16_color_FFFFFF_t_70]: /images/20221024/5ad97c7c28c3462f881f37610c6f6c9c.png
[Link 2]: https://blog.csdn.net/qq_17448289/article/details/52871461
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3MjY0Mzk3_size_16_color_FFFFFF_t_70 5]: /images/20221024/f612990fb73e42758ff6fac0bf927c84.png
[74951cb69721465ad23f21c993b03cd5.png]: /images/20221024/9ac1d76466b04b6987c220c73e7b8afb.png
[https_blog.csdn.net_shenxiaolu1984_article_details_51066975]: https://blog.csdn.net/shenxiaolu1984/article/details/51066975
[Center]: /images/20221024/e13e667cbe4143a19f938cc22f8636bb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3R5c3R1eGQ_size_16_color_FFFFFF_t_70]: /images/20221024/45fcc2d2c164401d95d9fd4edbc16061.png
[https_blog.csdn.net_tystuxd_article_details_85317037_utm_medium_distribute.pc_relevant.none-task-blog-baidujs_title-7_spm_1001.2101.3001.4242]: https://blog.csdn.net/tystuxd/article/details/85317037?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-7&spm=1001.2101.3001.4242
[Center 1]: /images/20221024/53d7c41ada4e487799eafbf5f6941fba.png
[SouthEast]: /images/20221024/57a446336715489e8d65b41aab75d4b3.png
[https_blog.csdn.net_v_JULY_v_article_details_80170182_utm_medium_distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-6.control_depth_1-utm_source_distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-6.control]: https://blog.csdn.net/v_JULY_v/article/details/80170182?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-6.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-6.control
[https_zhuanlan.zhihu.com_p_53361944]: https://zhuanlan.zhihu.com/p/53361944
[https_blog.csdn.net_red_stone1_article_details_101303122]: https://blog.csdn.net/red_stone1/article/details/101303122
[http_www.chuangze.cn_third_1.asp_txtid_1255]: http://www.chuangze.cn/third_1.asp?txtid=1255
[https_github.com_kuangliu_pytorch-retinanet]: https://github.com/kuangliu/pytorch-retinanet
[https_www.cnblogs.com_king-lps_p_9497836.html]: https://www.cnblogs.com/king-lps/p/9497836.html