卷积神经网络

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

1. 主干提取网络CSPDarknet:残差卷积分为两部分11卷积通道数调整，33卷积提取特征。
2. CSPnet将残差块进行拆分。
3. Focus结构：压缩高宽，拓展通道
4. SILu：SiLU是Sigmoid和ReLU的改进版。SiLU具备无上界有下界、平滑、非单调的特性。
5. SPP结构：通过不同池化核大小的最大池化进行特征提取，提高网络的感受野，放在主干网络中
6. 特征加强FPN：DarkNet获得三个特征层，上下采样、堆叠。
7. 分类yolo head

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