目标检测 -- Retinanet Centernet SSD

Retinanet

  • retinanet https://www.cnblogs.com/ziwh666/p/12494348.html

    单阶段的精度差在于单阶段检测器中样本的失衡，负样本比例远远大于正样本，占据样本中多数，影响网络的优化。

    retinanet的解决方案十分的简洁，简洁到令人发指，就是在原本的分类损失上进行改动，加上权重因子，减小易分类样本的权重，加大难分类样本的权重（相对而言，不是绝对的变大了），至于回归损失，保持不变

  • OHEM Online Hard Example Mining https://www.cnblogs.com/sddai/p/10277383.html

    ohem是bootstrapping在dl中的应用

    bootstrapping本身是迭代算法，直接应用到dl当中，会使dl的训练变得非常慢。为此，作者借用了其核心思想--让hard example起更大的作用，提出了ohem。

    检测数据集中包含大量的easy example和一小部分hard examples。自动地选择这些hard examples可以使得训练更有效，且更有效率。OHEM是一种简单直观的算法，它消除了一些常用的启发式（heuristics）和通常使用的超参数。更重要的是，在PSACAL VOC2007和2012中，它使得模型的检测表现获得提升，当使用MS COCO数据集时，效率提升以及表现提升更加明显。

  • OHEM论文阅读笔记 https://zhuanlan.zhihu.com/p/149698092?from_voters_page=true

  • focal loss和ohem https://www.cnblogs.com/ymjyqsx/p/9508664.html

  • 解决目标检测中样本不平衡的无采样方法 https://zhuanlan.zhihu.com/p/93658728

  • RetinaNet (二) - 网络架构 https://zhuanlan.zhihu.com/p/140877061

  • 再谈RetinaNet https://zhuanlan.zhihu.com/p/68786098

    2017的ICCV中，Kaiming He大神风光一时无两，Mask R-CNN是best paper，此外FAIR的RetinaNet拿下best student paper。

Centernet

CenterNet是在2019年论文Objects as points中提出，相比yolo，ssd，faster_rcnn依靠大量anchor的检测网络，CenterNet是一种anchor-free的目标检测网络，在速度和精度上都比较有优势

 

SSD

SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测算法，截至目前是主要的检测框架之一，相比Faster RCNN有明显的速度优势，相比YOLO又有明显的mAP优势（不过已经被CVPR 2017的YOLO9000超越）。ssd利用不同卷积层的 feature map

posted @ 2021-09-29 11:14  CeasonCing  阅读(172)  评论(0)    收藏  举报