目标检测

识别图片中有哪些物体以及物体的位置

输入原图

结果图

一般流程

• 特征提取
• 生成预测
• 预测结果与标签->计算损失
• 最小化损失-指导网络学习
• 重复以上…

一些网络结构

简单图示

1. vgg网络结构
   
2. ResNet网络结构
   
3. DenseNet 网络结构
   

常见处理方式

• Input 输入层
• Conv 卷积
• Activation 激活层
• Pool 池化层
• Dropout
• BN
• FC 全连接层

框架

• keras https://keras.io/
• Tensorflow https://tensorflow.google.cn/
• Pytorchhttps://pytorch.org/

Input

训练数据

Conv

用参数来提取数据特征。

Activation

• Sigmoid
  
• ReLU
  
  
  给网络加入非线性因素，单纯线性模型的表达力不够。

Pool

降低参数量。

Dropout

缓解过拟合。

BN

批量，归一化。

FC

分类器。

经过一系列操作后

损失函数

• Classificition Loss
  一个函数，用来计算预测类别与真实类别的误差。
• Bounding Box Regeression Loss
  一个函数，用来计算真实框与预测框的误差。

Classificition Loss Function

番外 Softmax

Cross Entropy Loss

Logistic Loss

Bounding Box Regression Loss Function

SmoothL1 Loss (平滑的)

x为预测框和真实框之间的数值差异，常用的L1和L2 Loss定义为：

• L1
  
• L2
  
• Smooth L1
  
• Loss ：
  

https://arxiv.org/abs/1504.08083

IoU Loss

• IoU
  
• IoU Loss
  
• 计算过程
  
• 一般情况
  
  https://arxiv.org/abs/1608.01471

GIoU Loss

https://arxiv.org/abs/1902.09630

DIoU Loss & CIoU Loss

• 效果
  

• 一般基于IoU的损失函数
  

• DIoU
  
  
  

• CIoU
  
  
  
  
  https://arxiv.org/abs/1911.08287

总结

• IoU Loss：考虑检测框和目标框重叠面积。

• GIoU Loss：在IoU的基础上，解决边界框不重合时的问题。

• DIoU Loss：在IoU的基础上，考虑边界框中心距离的信息。

• CIoU Loss：在DIoU的基础上，考虑边界框宽高比的尺度信息。