卷积神经网络
用数学的方式实现感受野-卷积
-
LeNet
-
AlexNet
- 更深更大的LeNet
- 丢弃法、Relu、MaxPooling
-
VGG
- 多个VGG块(33卷积,22池化)后接全连接层
-
GoogLeNet中Inception
-
ResNet残差网络:下一层与本层的信息差
迁移学习:站在巨人的肩膀上看世界,将大型网络的主干部分提取出来,将大型网络运用在自己的网络中。
-
YOLO:分格13 26 52监测,主干Darknet53
-
YOLOV3:[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-pZST4dci-1644942676394)(C:\Users\23204\AppData\Roaming\Typora\typora-user-images\image-20220215233645411.png)]
- Darknet使用了残差网络resnet
- FPN提取特征:三个特征层
- yolo head预测
-
YOLOV4:
- CSPDarkNet53
- 特征金字塔:SPP,PAN
- 使用Mish激活函数
-
YOLOX:
- CSPDarkNet主干
- Focus网络结构-特征提取:压缩高宽,拓展通道4倍
- 分类回归Decoupled Head:之前是1*1卷积实现,现在分成两部分,一边置信度,一边回归系数、是否有物体
- 数据增强:Mosaic数据增强
- Anchor Free:不使用先验框
- SimOTA :为不同大小的目标动态匹配正样本
细说
SSD目标监测:把图片划分成不同的网格,当某一个物体的中心点落在这个区域,这个物体就有这个网格确定。
D目标监测:把图片划分成不同的网格,当某一个物体的中心点落在这个区域,这个物体就有这个网格确定。
MobileNet目标监测:后面传