One-stage目標檢測算法綜述

yolo-v1:

YOLO 就是使用迴歸這種做法的典型算法。

首先將圖片 Resize 到固定尺寸，然後通過一套卷積神經網絡，最後接上 FC 直接輸出結果，這就他們整個網絡的基本結構。

更具體地做法，是將輸入圖片劃分成一個 SxS 的網格，每個網格負責檢測網格里面的物體是啥，並輸出 Bbox Info 和 置信度。這裡的置信度指的是 該網格內含有什麼物體 和 預測這個物體的準確度。

更具體的是如下定義：

我們可以從這個定義得知，當框中沒有物體的時候，整個置信度都會變為 0 。

這個想法其實就是一個簡單的分而治之想法，將圖片卷積後提取的特徵圖分為 SxS 塊，然後利用優秀的分類模型對每一塊進行分類，將每個網格處理完使用 NMS （非極大值抑制）的算法去除重疊的框，最後得到我們的結果。

SSD:

YOLO 這樣做的確非常快，但是問題就在於這個框有點大，就會變得粗糙——小物體就容易從這個大網中漏出去，因此對小物體的檢測效果不好。

所以 SSD 就在 YOLO 的主意上添加了 Faster R-CNN 的 Anchor 概念，並融合不同卷積層的特徵做出預測。

我們從上圖就可以很明顯的看出這是 YOLO 分治網絡 和 Faster R-CNN Anchor 的融合，這就大大提高了對小物體的檢測。這裡作者做實驗也提到和 Faster R-CNN 一樣的結果，這個 Anchor的數量和形狀會對性能造成較大的影響。

除此之外，由於這個 Anchor 是規整形狀的，但是有些物體的擺放位置是千奇百怪的，所以沒有 數據增強 前的效果比增強後的效果差 7 個百分點。直觀點理解，做輕微地角度扭曲讓 Anchor背後的神經元“看到”更多的信息。

還有一個重大的進步是結合了不同尺寸大小 Feature Maps 所提取的特徵，然後進行預測。這是 FPN 網絡提出前的第一次做 Feature Pyramid 的嘗試，這個特徵圖金字塔結合了不同層的信息，從而結合了不同 尺寸 和 大小 的特徵信息。

這個嘗試就大大地提高了識別的精度，且高分辨率（尺寸大）的 Feature Map 中含有更多小物體的信息，也是因為這個原因 SSD 能夠較好的識別小物體。

除此之外，和 YOLO 最大的區別是，SSD 沒有接 FC 減少了大量的參數量、提高了速度。

DSSD：

DSSD檢測算法的網絡結構如下圖所示，DSSD也是使用不同階段不同分辨率的feature maps進行預測，在不考慮Backbone網絡結構差別的情況下，可以發現DSSD相比於SSD多了一系列的後續上採樣操作，SSD是使用下采樣過程中的feature maps進行預測，而DSSD是使用上採樣過程中的feature maps進行預測。顯而易見的是，SSD用於檢測的feature maps位於網絡的較低層，表徵能力較弱，而DSSD用於檢測的feature maps位於網絡的較高層，表徵能力較強，同時DSSD在反捲積的過程中通過Skip-Connection引入了較低層的feature maps，實現了一定程度的特徵融合。所以DSSD的效果要優於SSD檢測算法。

FSSD：

FSSD檢測算法的網絡結構如下圖所示，同樣，FSSD也是使用不同階段不同分辨率的feature maps進行預測，相比於SSD，FSSD多了一個特徵融合處理，將網絡較低層的特徵引入到網絡的較高層，在檢測的時候能夠同時考慮不同尺度的信息，使得檢測更加準確。

YOLO9000:

到了 SSD ，迴歸方法的目標檢測應該一統天下了，但是 YOLO 的作者不服氣，升級做了一個 YOLO9000 ——號稱可以同時識別 9000 類物體的實時監測算法。

講道理，YOLO9000 更像是 SSD 加了一些 Trick ，而並沒有什麼本質上的進步：

• Batch Normalization
• High resolution classifier 448*448 pretrain
• Convolution with anchor boxes
• Dimension clusters
• Multi-Scale Training every 10 batch {320，…..608}
• Direct location prediction
• Fine-Grained Features

加了 BN 層，擴大輸入維度，使用了 Anchor，訓練的時候數據增強…

所以強是強，但沒啥新意，SSD 和 YOLO9000 可以歸為一類。

yolo-v3:

yolo-v3主要的改進有：調整了網絡結構；利用多尺度特徵進行對象檢測；對象分類用Logistic取代了softmax。

Yolo_v3使用了darknet-53的前面的52層（沒有全連接層），yolo_v3這個網絡是一個全卷積網絡，大量使用殘差的跳層連接，並且為了降低池化帶來的梯度負面效果，作者直接摒棄了POOLing，用conv的stride來實現降採樣。在這個網絡結構中，使用的是步長為2的卷積來進行降採樣。

為了加強算法對小目標檢測的精確度，YOLO v3中採用類似FPN的upsample和融合做法（最後融合了3個scale，其他兩個scale的大小分別是26×26和52×52），在多個scale的feature map上做檢測。

作者在3條預測支路採用的也是全卷積的結構，其中最後一個卷積層的卷積核個數是255，是針對COCO數據集的80類：3*(80+4+1)=255，3表示一個grid cell包含3個bounding box，4表示框的4個座標信息，1表示objectness score。

先驗眶在特徵圖尺寸上的分配：

// 填坑中。。。

參考文獻

• SIGAI：目標檢測最新進展總結與展望（https://zhuanlan.zhihu.com/p/46595846）
• 小綠葉：一文看懂YOLO v3（https://zhuanlan.zhihu.com/p/60944510）
• Dave：基於深度學習的「目標檢測」算法綜述（https://zhuanlan.zhihu.com/p/33981103）