一、目標檢測
yolo v4的related work部分精簡的介紹了目標檢測部分。
目標檢測大概分為one-stage和two-stage部分。其中two-stage部分主要包括r-cnn系列。one-stage則包括anchor-based和anchor-free兩類方法。其中anchor-based包括已經成熟應用的ssd和yolo各系列，以及retinanet（效果較好，訓練時間相對較長）；anchor-free的方法則包括centernet和fcos，兩類方法主要從anchor、loss和正負樣本來區分。
二、資料集
coco包括80種型別
三、資料增強
[1] kisantal m , wojna z , murawski j , et al. augmentation for small object detection[j]. 2019.
資料增強在影象分類中應用廣泛，但在目標檢測中使用較少。實驗結果顯示：乙個學習過的資料增強策略是優於規則化的目標檢測方法。
[2] zoph b , cubuk e d , ghiasi g , et al. learning data augmentation strategies for object detection[j]. 2019.
[3] shorten c , khoshgoftaar t m . a survey on image data augmentation for deep learning[j]. journal of big data, 2019, 6(1):1-48.
目標檢測常用的資料增強方法解析
資料增強的方法主要有 翻轉變換 flip 隨機修剪 random crop 色彩抖動 color jittering 平移變換 shift 尺度變換 scale 對比度變換 contrast 雜訊擾動 noise 旋轉變換 反射變換 rotation reflection 等等 訓練模型根據所用框架...
適用於目標檢測的資料增強方法
learning data augmentation strategies for object detection 研究了適用於目標檢測的資料增強策略。該 的思路和 autoaugment learning augmentation strategies from data 一樣，選擇一些常用的資...
目標檢測資料書籤
目標檢測進化史 object detection and classification using r cnns faster rcnn 理論 1 faster rcnn詳解 物體檢測 faster r cnn 一 載入訓練資料 物體檢測 faster r cnn 二 基於resnet的faster...