Deep Learning-3-深度学习在目标检测领域的应用---知识点总结

Yolov-1-TX2上用YOLOv3训练自己数据集的流程(VOC2007-TX2-GPU)

Yolov--3--TensorRT中yolov3性能优化加速(基于caffe)

yolov-5-目标检测:YOLOv2算法原理详解

yolov--8--Tensorflow实现YOLO v3

yolov--9--YOLO v3的剪枝优化

yolov--10--目标检测模型的参数评估指标详解、概念解析

yolov--12--YOLOv3的原理深度剖析和关键点讲解


问题1、什么是端到端的深度学习?

https://blog.csdn.net/junjun_zhao/article/details/79184743

端到端深度学习

定义:

相对于传统的一些数据处理系统或者学习系统,它们包含了多个阶段的处理过程,而端到端的深度学习则忽略了这些阶段,用单个神经网络来替代。

语音识别例子:

在少数据集的情况下传统的特征提取方式可能会取得好的效果;如果在有足够的大量数据集情况下,端到端的深度学习会发挥巨大的价值。
Deep Learning-3-深度学习在目标检测领域的应用---知识点总结_第1张图片

优缺点:

优点:

  • 端到端学习可以直接让数据“说话”;
  • 所需手工设计的组件更少。

缺点:

  • 需要大量的数据;
  • 排除了可能有用的手工设计组件。

非端到端学习(传统的语音识别系统)

传统的语音识别需要把语音转换成语音特征向量,然后把这组向量通过机器学习,分类到各种音节上(根据语言模型),然后通过音节,还原出最大概率的语音原本要表达的单词,一般包括以下模块:

  • 特征提取模块 (Feature Extraction):该模块的主要任务是从输入信号中提取特征,供声学模型处理。一般也包括了一些信号处理技术,尽可能降低环境噪声、说话人等因素对特征造成的影响,把语音变成向量。
  • 声学模型 (Acoustic Model): 用于识别语音向量
  • 发音词典 (Pronnuciation Dictionary):发音词典包含系统所能处理的词汇集及其发音。发音词典提供了声学模型与语言模型间的联系。
  • 语言模型 (Language Model):语言模型对系统所针对的语言进行建模。
  • 解码器 (Decoder):任务是对输入的信号,根据声学、语言模型及词典,寻找能够以最大概率输出该信号的词串。

传统的语音识别中的语音模型和语言模型是分别训练的,缺点是不一定能够总体上提高识别率。

例1:

Deep Learning-3-深度学习在目标检测领域的应用---知识点总结_第2张图片

端到端学习算法:

Deep Learning-3-深度学习在目标检测领域的应用---知识点总结_第3张图片

例2:

Deep Learning-3-深度学习在目标检测领域的应用---知识点总结_第4张图片

端到端学习算法:

Deep Learning-3-深度学习在目标检测领域的应用---知识点总结_第5张图片

问题2、目标检测算法有哪几类,各有什么特点?

https://blog.csdn.net/JNingWei/article/details/80039079

Deep Learning-3-深度学习在目标检测领域的应用---知识点总结_第6张图片

Detection算法的几个task

  1. 对于不需要预生成RP的Detection算法而言,算法只需要完成三个任务:

    • 特征抽取
    • 分类
    • 定位回归
  2. 对于有预生成RP的Detection算法而言,算法要完成的主要有四个任务:

    • 特征抽取
    • 生成RP
    • 分类
    • 定位回归

Detection算法的框架套路

Deep Learning-3-深度学习在目标检测领域的应用---知识点总结_第7张图片

multi-stage 算法


最早期的检测算法 (主要为R-CNN、SPPNet) 都属于multi-stage系。这个时候的Selective Serach、Feature extraction、location regressor、cls SVM是分成多个stage来各自单独train的。故谓之曰“multi-stage”: 
Deep Learning-3-深度学习在目标检测领域的应用---知识点总结_第8张图片

two-stage 算法


到了Fast R-CNN的时候,Feature extraction、location regressor、cls SVM都被整合到了一个network里面,可以实现这三个task一起train了。由于生成RP的task还需要另外train,故谓之曰“two-stage”: 
Deep Learning-3-深度学习在目标检测领域的应用---知识点总结_第9张图片

到了Faster R-CNN中,虽然RPN的出现使得四个task可以一起被train,但是依然被归类为“two-stage”。(这个地方我也不是很理解。)

one-stage 算法

在YOLOv1中,“生成RP”这一任务被直接丢弃了。因此,整个算法只剩下了一个stage,故谓之曰“one-stage”: 

Deep Learning-3-深度学习在目标检测领域的应用---知识点总结_第10张图片

 

参考:

 

你可能感兴趣的:(Deep,Learning)