1. 程式人生 > >深度學習筆記(三)--目標檢測演算法綜述

深度學習筆記(三)--目標檢測演算法綜述

目前目標檢測領域的深度學習方法主要分為兩類:two stage的目標檢測演算法;one stage的目標檢測演算法。前者是先由演算法生成一系列作為樣本的候選框,再通過卷積神經網路進行樣本分類;後者則不用產生候選框,直接將目標邊框定位的問題轉化為迴歸問題處理。正是由於兩種方法的差異,在效能上也有不同,前者在檢測準確率和定位精度上佔優,後者在演算法速度上佔優。

相對於R-CNN系列的"看兩眼"(候選框提取與分類),YOLO只需要Look Once.

·

·  YOLO統一為一個迴歸問題,而R-CNN將檢測結果分為兩部分求解:物體類別(分類問題),物體位置即bounding box(迴歸問題)。

傳統的目標檢測一般使用滑動視窗的框架,主要包括三個步驟:

1.利用不同尺寸的滑動視窗框住圖中的某一部分作為候選區域;
2.提取候選區域相關的視覺特徵。比如人臉檢測常用的Harr特徵;行人檢測和普通目標檢測常用的HOG特徵等;
3.利用分類器進行識別,比如常用的SVM模型。

基於深度學習的目標檢測分為兩派:

基於區域提名的,如R-CNN、SPP-net、Fast R-CNN、Faster R-CNN、R-FCN;
端到端(End-to-End),無需區域提名的,如YOLO、SSD。
      目前來說,基於區域提名的方法依然佔據上風,但端到端的方法速度上優勢明顯,後續的發展拭目以待。
接下來是對相關研究的詳細介紹。
1、首先介紹的是區域提名--選擇性搜尋,以及用深度學習做目標檢測的早期工作--Overfeat。

     選擇性搜尋:不斷迭代合併候選區域,已被棄用。

     OverFeat:  用CNN做分類、定位和檢測的經典之作(馬克一記)。


2、基於區域提名的方法:主要介紹R-CNN系列




     R-CNN:之前的工作都是用滑動視窗的方式,速度很慢,R-CNN採用的是selective search。

     它和OverFeat類似,但缺點是速度慢。

     SPP-net:針對剪裁技術可能出現的問題,SPP不管是對整副影象還是裁剪後的影象,都提取相同維度的特徵,這樣可以統一送至全連線層。

    FAST R-CNN:主要解決2000個候選框帶來的重複計算問題。

    FASTER R-CNN:拋棄了selective search,引入了RPN網格。

    R-FCN:將最後的全連線層換為了卷積層。


3、端到端(end-to-end):無需區域提名

    YOLO:將448*448的影象分成S*S的網路,簡化目標檢測流程


    SSD:   YOLO的改進,分為兩部分:影象分類的網路和多尺度特徵對映網路。

YOLO v1

這是繼RCNN,fast-RCNN和faster-RCNN之後,rbg(RossGirshick)針對DL目標檢測速度問題提出的另外一種框架。YOLO V1其增強版本GPU中能跑45fps,簡化版本155fps。

1. YOLO的核心思想

  • YOLO的核心思想就是利用整張圖作為網路的輸入,直接在輸出層迴歸bounding box的位置和bounding box所屬的類別。
  • faster RCNN中也直接用整張圖作為輸入,但是faster-RCNN整體還是採用了RCNN那種 proposal+classifier的思想,只不過是將提取proposal的步驟放在CNN中實現了,而YOLO則採用直接回歸的思路。

2.YOLO的實現方法

  • 將一幅影象分成SxS個網格(grid cell),如果某個object的中心 落在這個網格中,則這個網格就負責預測這個object。
  • 每個網格要預測B個bounding box,每個bounding box除了要回歸自身的位置之外,還要附帶預測一個confidence值。
    這個confidence代表了所預測的box中含有object的置信度和這個box預測的有多準兩重資訊,其值是這樣計算的:
    https://img-blog.csdn.net/20160317154752063
    其中如果有object落在一個grid cell裡,第一項取1,否則取0。 第二項是預測的bounding box和實際的groundtruth之間的IoU值。
  • 每個bounding box要預測(x, y, w, h)和confidence共5個值,每個網格還要預測一個類別資訊,記為C類。則SxS個網格,每個網格要預測B個bounding box還要預測C個categories。輸出就是S x S x (5*B+C)的一個tensor。
    注意:class資訊是針對每個網格的,confidence資訊是針對每個bounding box的。
  • 舉例說明: 在PASCAL VOC中,影象輸入為448x448,取S=7,B=2,一共有20個類別(C=20)。則輸出就是7x7x30的一個tensor。
    整個網路結構如下圖所示:
    https://img-blog.csdn.net/20160317155955917
  • 在test的時候,每個網格預測的class資訊和bounding box預測的confidence資訊相乘,就得到每個bounding box的class-specific confidence scor
    等式左邊第一項就是每個網格預測的類別資訊,第二三項就是每個bounding box預測的confidence。這個乘積即encode了預測的box屬於某一類的概率,也有該box準確度的資訊。
  • 得到每個box的class-specific confidence score以後,設定閾值,濾掉得分低的boxes,對保留的boxes進行NMS處理,就得到最終的檢測結果。
  • 注:

*由於輸出層為全連線層,因此在檢測時,YOLO訓練模型只支援與訓練影象相同的輸入解析度。

*雖然每個格子可以預測B個bounding box,但是最終只選擇只選擇IOU最高的bounding box作為物體檢測輸出,即每個格子最多隻預測出一個物體。當物體佔畫面比例較小,如影象中包含畜群或鳥群時,每個格子包含多個物體,但卻只能檢測出其中一個。這是YOLO方法的一個缺陷。

3.YOLO的實現細節

  • 每個grid有30維,這30維中,8維是迴歸box的座標,2維是box的confidence,還有20維是類別。
    其中座標的x,y用對應網格的offset歸一化到0-1之間,w,h用影象的width和height歸一化到0-1之間。
  • 在實現中,最主要的就是怎麼設計損失函式,讓這個三個方面得到很好的平衡。作者簡單粗暴的全部採用了sum-squared error loss來做這件事。
     
  • 這種做法存在以下幾個問題:
    第一,8維的localization error和20維的classification error同等重要顯然是不合理的;
    第二,如果一個網格中沒有object(一幅圖中這種網格很多),那麼就會將這些網格中的box的confidence push到0,相比於較少的有object的網格,這種做法是overpowering的,這會導致網路不穩定甚至發散。
    解決辦法:
    • 更重視8維的座標預測,給這些損失前面賦予更大的loss weight, 記為https://img-blog.csdn.net/20160317162205978在pascal VOC訓練中取5。
    • 對沒有object的box的confidence loss,賦予小的loss weight,記為https://img-blog.csdn.net/20160317162453951在pascal VOC訓練中取0.5。
    • 有object的box的confidence loss和類別的loss的loss weight正常取1。
  • 對不同大小的box預測中,相比於大box預測偏一點,小box預測偏一點肯定更不能被忍受的。而sum-square error loss中對同樣的偏移loss是一樣。
    為了緩和這個問題,作者用了一個比較取巧的辦法,就是將box的width和height取平方根代替原本的height和width。這個參考下面的圖很容易理解,小box的橫軸值較小,發生偏移時,反應到y軸上相比大box要大。(也是個近似逼近方式)
    https://img-blog.csdn.net/20160317163247283
  • 一個網格預測多個box,希望的是每個box predictor專門負責預測某個object。具體做法就是看當前預測的box與ground truth box中哪個IoU大,就負責哪個。這種做法稱作box predictor的specialization。
  • 最後整個的損失函式如下所示:

    這個損失函式中:
    • 只有當某個網格中有object的時候才對classification error進行懲罰。
    • 只有當某個box predictor對某個ground truth box負責的時候,才會對box的coordinate error進行懲罰,而對哪個ground truth box負責就看其預測值和ground truth box的IoU是不是在那個cell的所有box中最大。
  • 其他細節,例如使用啟用函式使用leak RELU,模型用ImageNet預訓練等等,在這裡就不一一贅述了。
  • 注:

*YOLO方法模型訓練依賴於物體識別標註資料,因此,對於非常規的物體形狀或比例,YOLO的檢測效果並不理想。

*YOLO採用了多個下采樣層,網路學到的物體特徵並不精細,因此也會影響檢測效果。

* YOLO loss函式中,大物體IOU誤差和小物體IOU誤差對網路訓練中loss貢獻值接近(雖然採用求平方根方式,但沒有根本解決問題)。因此,對於小物體,小的IOU誤差也會對網路優化過程造成很大的影響,從而降低了物體檢測的定位準確性。

4.YOLO的缺點

  • YOLO對相互靠的很近的物體,還有很小的群體 檢測效果不好,這是因為一個網格中只預測了兩個框,並且只屬於一類。
  • 同一類物體出現的新的不常見的長寬比和其他情況時,泛化能力偏弱。
  • 由於損失函式的問題,定位誤差是影響檢測效果的主要原因。尤其是大小物體的處理上,還有待加強。

簡單回顧YOLOv1的檢測步驟:

https://img-blog.csdn.net/20161229111326609?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvSmVzc2VfTXg=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast

(1) 給個一個輸入影象,首先將影象劃分成7 * 7的網格。

(2) 對於每個網格,每個網格預測2個bouding box(每個box包含5個預測量)以及20個類別概率,總共輸出7×7×(2*5+20)=1470個tensor

(3) 根據上一步可以預測出7 * 7 * 2 = 98個目標視窗,然後根據閾值去除可能性比較低的目標視窗,再由NMS去除冗餘視窗即可。

YOLOv1使用了end-to-end的迴歸方法,沒有region proposal步驟,直接回歸便完成了位置和類別的判定。種種原因使得YOLOv1在目標定位上不那麼精準,直接導致YOLO的檢測精度並不是很高。

YOLOV2

新的YOLO版本論文全名叫“YOLO9000: Better, Faster, Stronger”,主要有兩個大方面的改進:

第一,作者使用了一系列的方法對原來的YOLO多目標檢測框架進行了改進,在保持原有速度的優勢之下,精度上得以提升。VOC 2007資料集測試,67FPS下mAP達到76.8%,40FPS下mAP達到78.6%,基本上可以與Faster R-CNN和SSD一戰。

第二,作者提出了一種目標分類與檢測的聯合訓練方法,通過這種方法,YOLO9000可以同時在COCO和ImageNet資料集中進行訓練,訓練後的模型可以實現多達9000種物體的實時檢測

YOLOv2精度的改進(Better)

YOLO一代有很多缺點,作者希望改進的方向是:改善recall,提升定位的準確度,同時保持分類的準確度。

batch Normalization:在卷基層後面增加了batch Normalization,去掉了dropout層,mAP提升2%。

High ResolutionClassifier:x訓練網路的時候將網路從224*224變為448*448,當然後續為了保證特徵圖中只有基數個定位位置,從而保證只有一箇中心細胞,網路最終設定為416*416。最終實現了4%的mAP提升。

Convoutional with AnchorBoxes:作者吸收了faster RCNN中RPN的思想,去掉了yolov1中的全連線層,加入了anchor boxes,這樣做的目的就是得到更高的召回率,當然召回率高了,mAP就會相應的下降,這也是人之常情。最終,yolov1只有98個邊界框,yolov2達到了1000多個。mAP由69.5下降到69.2,下降了0.3,召回率由81%提升到88%,提升7%。

Dimension Clusters:這裡作者提出了kmeans聚類,這裡的K作者取值為5,這樣會在模型複雜度和召回率之間達到一個好的折中。並且使用聚類的中心代替Anchor,最後使用歐式距離進行邊界框優先權的衡量,歐式距離公式如下所示,距離越小說明優先權越高。在k為5 的條件下,Avg IOU從60.9提升到了61.0。在k為9的的條件下Avg IOU提升為67.2

https://img-blog.csdn.net/20170104104750848

Direction locationprediction:

引入了anchor boxes就會產生模型不穩定的問題,該問題產生於邊界框位置的預測。簡單的解釋,如果訓練的圖片中的物體一張是在左面,下一張又在右面,就會產生這樣的波動,顯然的這個過程是不受控制的,畢竟圖片中的物體位置他在哪裡就在哪裡。這裡作者,變換了個思路,把最終預測的相對於anchor的邊界框的相關係數變為預測相對於grid cell(yolo v1的機制)的相關係數,使得輸出的係數在0-1直接波動,如此就解決了波動的問題。最終,使用維度聚類和直接預測邊界框中心比使用anchor boxes提升了5%的mAP。

https://img-blog.csdn.net/20170104104809771

首先,yolov2邊框的表示方式通過框的中心座標bx,by,和框的寬bw,高bh這4個變數來表示。實際預測的值為tx,ty,tw,th。

由tx,ty,tw,th得到bx,by,bw,bh的詳細公式如上圖,其中,

cx,cy為框的中心座標所在的grid cell 距離左上角第一個grid cell的cell個數。

tx,ty為預測的邊框的中心點座標。

σ()函式為logistic函式,將座標歸一化到0-1之間。最終得到的bx,by為歸一化後的相對於grid cell的值

tw,th為預測的邊框的寬,高。

pw,ph為anchor的寬,高。實際在使用中,作者為了將bw,bh也歸一化到0-1,實際程式中的 pw,ph為anchor的寬,高和featuremap的寬,高的比值。最終得到的bw,bh為歸一化後相對於anchor的值

σ(t0)表示預測的邊框的置信度,為預測的邊框的概率和預測的邊框與ground truth的IOU值的乘積。

Fine-Grained Features:有別於faster rcnn和SSD採用多尺度的特徵圖進行預測,yolov2提出了一個全新的思路,作者引入了passthrough layer,這個層的作用就是將上一層特徵圖的相鄰畫素都切除一部分組成了另外一個通道。例如,將26*26*512的特徵圖變為13*13*2048的特徵圖(這裡具體的實現過程需要看作者的原始碼,但是,為了解釋這個變化過程,可以做這樣的解釋,就是將一個26*26的圖的畫素放到4個13*13的圖中,水平每2個畫素取1個,垂直也是每2個畫素取一個,一共就可以得到2*2=4個,512*4=2048),使得特徵圖的數目提高了4倍,同時,相比於26*26的特徵圖,13*13的特徵圖更有利用小目標物的檢測,

該改進使得mAP提升1%。

Multi-Scale Training:這裡作者提出的訓練方法也很獨特,在訓練過程中就每隔10batches,隨機的選擇另外一種尺度進行訓練,這裡,作者給出的訓練尺度為{320,352,……,608},這個訓練的方法,使得最終得到的模型可以對不同解析度的影象都能達到好的檢測效果。

Faster

這裡,vgg16雖然精度足夠好,但是模型比較大,網路傳輸起來比較費時間,因此,作者提出了一個自己的模型,Darknet-19。而darknetv2也正式已Darknet-19作為pretrained model訓練起來的。

  • Draknet19

YOLO v2基於一個新的分類model,有點類似與VGG。YOLO v2使用3*3filter,每次Pooling之後都增加一倍Channels的數量。YOLO v2使用全域性平均Pooling,使用Batch Normilazation來讓訓練更穩定,加速收斂,使model規範化。
最終的model–Darknet19,有19個卷積層和5個maxpooling層,處理一張圖片只需要5.58 billion次運算,在ImageNet上達到72.9%top-1精確度,91.2%top-5精確度。

  • Training for classication

網路訓練在 ImageNet 1000類分類資料集,訓練了160epochs,使用隨機梯度下降,初始學習率為0.1, polynomial
rate decay with a power of 4, weight decay of 0.0005 and momentum of 0.9 。訓練期間使用標準的資料擴大方法:隨機裁剪、旋轉、變換顏色(hue)、變換飽和度(saturation), 變換曝光度(exposure shifts)。
在訓練時,把整個網路在更大的448*448解析度上Fine Turnning 10個 epoches,初始學習率設定為0.001,這種網路達到達到76.5%top-1精確度,93.3%top-5精確度。

  • Training for detection

網路去掉了最後一個卷積層,而加上了三個3*3卷積層,每個卷積層有1024個Filters,每個卷積層緊接著一個1*1卷積層, with
the number of outputs we need for detection。
對於VOC資料,網路預測出每個網格單元預測五個Bounding Boxes,每個Bounding Boxes預測5個座標和20類,所以一共125個Filters,增加了Passthough層來獲取前面層的細粒度資訊,網路訓練了160epoches,初始學習率0.001,dividing it by 10 at 60 and 90 epochs,a weight decay of 0.0005 and momentum of 0.9,資料擴大方法相同,對COCO與VOC資料集的訓練對策相同。

Stronger:

這裡作者的想法也很新穎,解決了2個不同資料集相互排斥(mutualy exclusive)的問題。作者提出了WordTree,使用該樹形結構成功的解決了不同資料集中的排斥問題。使用該樹形結構進行分層的預測分類,在某個閾值處結束或者最終達到葉子節點處結束。下面這副圖將有助於WordTree這個概念的理解。

https://img-blog.csdn.net/20170104104829789

在訓練的過程中,當網路遇到一個來自檢測資料集的圖片與標記資訊,那麼就把這些資料用完整的YOLO v2 loss功能反向傳播這個圖片。當網路遇到一個來自分類資料集的圖片和分類標記資訊,只用整個結構中分類部分的loss功能反向傳播這個圖片。
但是檢測資料集只有粗粒度的標記資訊,像“貓“、“ 狗”之類,而分類資料集的標籤資訊則更細粒度,更豐富。比如狗這一類就包括”哈士奇“”牛頭梗“”金毛狗“等等。所以如果想同時在監測資料集與分類資料集上進行訓練,那麼就要用一種一致性的方法融合這些標籤資訊。
再者,用於分類的方法,大多是用softmax layer方法,softmax意味著分類的類別之間要互相獨立的。而盲目地混合資料集訓練,就會出現比如:檢測資料集的分類資訊中”狗“這一分類,在分類資料集合中,就會有的不同種類的狗”哈士奇“”牛頭梗“”金毛“這些分類,這兩種資料集之間的分類資訊不相互獨立。所以使用一種多標籤的model來混合資料集,假設一個圖片可以有多個分類資訊,並假定分類資訊必須是相互獨立的規則可以被忽略。

  • Hierarchical classification

WordNet的結構是一個直接圖表(directed graph),而不是樹型結構。因為語言是複雜的,狗這個詞既屬於‘犬科’又屬於‘家畜’兩類,而‘犬科’和‘家畜’兩類在wordnet中則是同義詞,所以不能用樹形結構。
作者希望根據ImageNet中包含的概念來建立一個分層樹,為了建立這個分層樹,首先檢查ImagenNet中出現的名詞,再在WordNet中找到這些名詞,再找到這些名詞到達他們根節點的路徑(在這裡設為所有的根節點為實體物件(physical object))。在WordNet中,大多數同義詞只有一個路徑,所以首先把這條路徑中的詞全部都加到分層樹中。接著迭代地檢查剩下的名詞,並儘可能少的把他們新增到分層樹上,新增的原則是取最短路徑加入到樹中。
為了計算某一結點的絕對概率,只需要對這一結點到根節點的整條路徑的所有概率進行相乘。所以比如你想知道一個圖片是否是Norfolk terrier的概率,則進行如下計算:

為了驗證這一個方法,在WordTree上訓練Darknet19的model,使用1000類的ImageNet進行訓練,為了建立WordtTree 1K,把所有中間詞彙加入到WordTree上,把標籤空間從1000擴大到了1369。在訓練過程中,如果有一個圖片的標籤是”Norfolk terrier“,那麼這個圖片還會獲得”狗“(dog)以及“哺乳動物”(mammal)等標籤。總之現在一張圖片是多標記的,標記之間不需要相互獨立。
如Figure5所示,之前的ImageNet分類是使用一個大softmax進行分類。而現在,WordTree只需要對同一概念下的同義詞進行softmax分類。
使用相同的訓練引數,這種分層結構的Darknet19達到71.9%top-1精度和90.4%top-5精確度,精度只有微小的下降。
這種方法的好處:在對未知或者新的物體進行分類時,效能降低的很優雅(gracefully)。比如看到一個狗的照片,但不知道是哪種種類的狗,那麼就高置信度(confidence)預測是”狗“,而其他狗的種類的同義詞如”哈士奇“”牛頭梗“”金毛“等這些則低置信度。

  • Datasets combination with wordtree

用WordTree 把資料集合中的類別對映到分層樹中的同義詞上,例如上圖Figure 6,WordTree混合ImageNet與COCO。

  • Joint classification and detection

作者的目的是:訓練一個Extremely Large Scale檢測器。所以訓練的時候使用WordTree混合了COCO檢測資料集與ImageNet中的Top9000類,混合後的資料集對應的WordTree有9418個類。另一方面,由於ImageNet資料集太大了,作者為了平衡一下兩個資料集之間的資料量,通過過取樣(oversampling)COCO資料集中的資料,使COCO資料集與ImageNet資料集之間的資料量比例達到1:4。
YOLO9000的訓練基於YOLO v2的構架,但是使用3priors而不是5來限制輸出的大小。當網路遇到檢測資料集中的圖片時則正常地反方向傳播,當遇到分類資料集圖片的時候,只使用分類的loss功能進行反向傳播。同時作者假設IOU最少為 .3。最後根據這些假設進行反向傳播。

使用聯合訓練法,YOLO9000使用COCO檢測資料集學習檢測圖片中的物體的位置,使用ImageNet分類資料集學習如何從大量的類別中進行分類。
為了評估這一方法,使用ImageNet Detection Task對訓練結果進行評估。
評估結果:
YOLO9000取得19.7mAP。
在未學習過的156個分類資料上進行測試,mAP達到16.0。
YOLO9000的mAP比DPM高,而且YOLO有更多先進的特徵,YOLO9000是用部分監督的方式在不同訓練集上進行訓練,同時還能檢測9000個物體類別,並保證實時執行。

雖然YOLO9000對動物的識別效能很好,但是對類別為”sungalsses“或者”swimming trunks“這些衣服或者裝備的類別,它的識別效能不是很好,見table 7。這跟資料集的資料組成有很大關係。

總結

YOLO v2 代表著目前最先進物體檢測的水平,在多種監測資料集中都要快過其他檢測系統,並可以在速度與精確度上進行權衡。

YOLO 9000 的網路結構允許實時地檢測超過9000種物體分類,這歸功於它能同時優化檢測與分類功能。使用WordTree來混合來自不同的資源的訓練資料,並使用聯合優化技術同時在ImageNet和COCO資料集上進行訓練,YOLO9000進一步縮小了監測資料集與識別資料集之間的大小代溝。

文章還提出了WordTree,資料集混合訓練,多尺寸訓練等全新的訓練方法。

YOLO v3

YOLOv3在Pascal Titan X上處理608x608影象速度達到20FPS,在 COCO test-dev 上 [email protected] 達到 57.9%,與RetinaNet(FocalLoss論文所提出的單階段網路)的結果相近,並且速度快4倍.

YOLO v3的模型比之前的模型複雜了不少,可以通過改變模型結構的大小來權衡速度與精度。

速度對比如下:

https://img-blog.csdn.net/20180408092754890

YOLOv3 在實現相同準確度下要顯著地比其它檢測方法快。時間都是在採用 M40 Titan X 等相同 GPU 下測量的。

簡而言之,YOLOv3 的先驗檢測(Prior detection)系統將分類器或定位器重新用於執行檢測任務。他們將模型應用於影象的多個位置和尺度。而那些評分較高的區域就可以視為檢測結果。此外,相對於其它目標檢測方法,我們使用了完全不同的方法。我們將一個單神經網路應用於整張影象,該網路將影象劃分為不同的區域,因而預測每一塊區域的邊界框和概率,這些邊界框會通過預測的概率加權。我們的模型相比於基於分類器的系統有一些優勢。它在測試時會檢視整個影象,所以它的預測利用了影象中的全域性資訊。與需要數千張單一目標影象的 R-CNN 不同,它通過單一網路評估進行預測。這令 YOLOv3 非常快,一般它比 R-CNN 快 1000 倍、比 Fast R-CNN 快 100 倍。

改進之處:

  •     1.多尺度預測 (類FPN)
  •     2.更好的基礎分類網路(類ResNet)和分類器 darknet-53,見下圖。

    3.分類器-類別預測:
        YOLOv3不使用Softmax對每個框進行分類,主要考慮因素有兩個:

  1.             a.Softmax使得每個框分配一個類別(score最大的一個),而對於Open Images這種資料集,目標可能有重疊的類別標籤,因此Softmax不適用於多標籤分類。
  2.             b.Softmax可被獨立的多個logistic分類器替代,且準確率不會下降。
            分類損失採用binary cross-entropy loss.

多尺度預測
    每種尺度預測3個box, anchor的設計方式仍然使用聚類,得到9個聚類中心,將其按照大小均分給3中尺度.

  •         尺度1: 在基礎網路之後新增一些卷積層再輸出box資訊.
  •         尺度2: 從尺度1中的倒數第二層的卷積層上取樣(x2)再與最後一個16x16大小的特徵圖相加,再次通過多個卷積後輸出box資訊.相比尺度1變大兩倍.
  •         尺度3: 與尺度2類似,使用了32x32大小的特徵圖.

相關推薦

no