第三章：YOLO系列目标检测

同学笔记

• 

  weixin_45386895 2020-08-02 14:35:48

  来源：YOLOV4模型原理介绍-01 查看详情

  目标检测模型分为两类：RCNN系列和YOLO，SSD，RetinaNet等

  backbone:主干网络。大多数时候指的是提取特征的网络。其作用就是提取图片中的信息，供后面的网络使用。

  neck:为了更好的利用backbone提取的特征，一般放在head和backbone之间

   

• 

  weixin_45386895 2020-08-02 10:25:57

  来源：YOLOV之Darknet-19网络讲解-02 查看详情

  随机梯度下降，初始学习率0.1，速率衰减为4，权重,动量0.9，160epochs

• 

  autonomous_csdn 2020-07-29 22:45:25

  来源：模型优化模块解析及功能介绍-05 查看详情

  NMS（Non-Maximum Suppression）算法本质是搜索局部极大值，抑制非极大值元素。NMS就是需要根据score矩阵和region的坐标信息，从中找到置信度比较高的bounding box。NMS是大部分深度学习目标检测网络所需要的，大致算法流程为：

  1.对所有预测框的置信度降序排序

  2.选出置信度最高的预测框，确认其为正确预测，并计算他与其他预测框的IOU

  3.根据2中计算的IOU去除重叠度高的，IOU>threshold就删除

  4.剩下的预测框返回第1步，直到没有剩下的为止

   

  Proposal:产生proposal区域后，使用每类网络给出每个框的每类置信度，使用回归网络修正位置，最终应用NMS。目的是在目标检测中消除多余的检测框，找到最佳的物体检测的位置。

没有更多了