目標檢測框架個人總結
以下是筆記中包含的內容：
目標檢測網路框架總結（yolov4中有圖）
從最開始的神經網路到現在深度更深，模組更多的目標檢測深度學習神經網路，如今大致可以分為two-stage-detector (典型的為rcnn系列**)和 one-stage-detector（典型為yolo系列**），每個網路有可以細分為如下圖所示結構：
輸入（input）： 影象、影象金字塔等；
骨幹網路（backbone）：用於提取的特徵圖，常用的有vgg16、resnet-50、spinenet、efficientnet-b0/b7、cspresnetxt50、cspdarknet53等；
頸部網路（neck）：
額外模組：spp、aspp、rfb、sam
融合模組：fpn、pan、nas-fpn、full-connected fpn、bifpn、asff、sfam
頭部網路（head）：
dense prediction（one-stage）
rpn、ssd、yolo、retinanet（anchor based）
cornernet、centernet、matrixnet、fcos(anchor free)
sparse prediction（two-stage）
faster r-cnn、r-fcn、mask r-cnn(anchor based)
reppoints(anchor free)
以上基本就是現在目標檢測的整體結構，一般對目標檢測網路進行改進都是基於各個模組分布進行。
後序會在細化各模組內的具體總結
通用目標檢測
tensorlow object detection 目標檢測系列一些資料 使用tensorflow object detection api進行物體檢測 使用tensorflow object detection api訓練自己的資料 tensorflow訓練模型庫 國外論壇教你一步一步訓練自己的...
目標檢測通用trick
離線增強 直接對資料集進行處理，資料的數目會變成增強因子 x 原資料集的數目 這種方法常常用於資料集很小的時候 2.1 warmup 訓練初期由於離目標較遠，一般需要選擇大的學習率，但是使用過大的學習率容易導致不穩定性。所以可以做乙個學習率熱身階段，在開始的時候先使用乙個較小的學習率，然後當訓練過程...
目標檢測總結
盡量選擇支援 voc 格式的資料集的演算法，目前仍然以兩階段為主，faster rcnn fpn 網路為 backubone 為主，以商湯 mmdetection 為代表。voc 與 coco 資料集區別，coco 格式資料集作為輸入會過濾掉沒有目標的，會造成負樣本大量減少。voc 格式資料集作為輸...