隨手記錄一些深度學(xué)習(xí)方法在目標(biāo)檢測(cè)與跟蹤領(lǐng)域上面的應(yīng)用
Densenet
優(yōu)點(diǎn)：
1. 減輕了梯度消失現(xiàn)象竟宋；
2. 加強(qiáng)了feature的傳遞干签；
3. 更有效地利用了feature；
4. 一定程度上減少了參數(shù)量昌跌。
DSOS(Deeply Supervised Object Detector)
Fine Tune和直接訓(xùn)練檢測(cè)模型的差異可以減小
YOLO
YOLOv1
輸入尺寸固定帕棉，占比較小的目標(biāo)檢測(cè)效果不好
YOLOv2
改進(jìn)
1. Batch Normalization的使用亩歹，取消了dropout‘
2. 高分辨率的引入；
3. Anchor Boxes——K-means方法新荤；
4. 使用了細(xì)粒度特征——將淺層疊加到深層我注；
5. Muti-Scale Training.
網(wǎng)絡(luò)結(jié)構(gòu)
1. 主要使用3x3卷積并在pooling后channel加倍；
2. Global Average Pooling代替全連接做分類迟隅；
3. 1x1卷積壓縮特征表示但骨。
YOLOv3
1. 小目標(biāo)效果不錯(cuò)（我實(shí)際驗(yàn)證后覺得小目標(biāo)也不好），但隨著IOU增大智袭，性能下降（確實(shí)）奔缠；
2. 位置精確性差，召回率低吼野；
3. 多尺度
Inception
Inception v1
Inception Module結(jié)構(gòu)是1x1校哎，3x3，5x5的卷積和3x3pooling的組合瞳步；
Inception v2
1. 加入BN層闷哆，增加模型魯棒性，加快學(xué)習(xí)速度单起，更快收斂抱怔；
2. 用兩個(gè)3x3代替一個(gè)5x5；
Inception v3
1. 卷積分解：
2. 加速嘀倒，更深
Inception v4
1. 增加殘差連接屈留；
2. 加速收斂局冰，精度更高。
Xception(Inception v3基礎(chǔ)之上)
1. 通道式分離卷積
2. 沒有ReLU
MobileNet
1. 壓縮模型灌危；
2. 將標(biāo)準(zhǔn)卷積拆分：
ShuffleNet
在MobileNet基礎(chǔ)上康二，對(duì)1x1進(jìn)行shuffle和group操作
MobileNet v2
1. 殘差結(jié)構(gòu)：在3x3前進(jìn)行1x1升維，經(jīng)過ReLU勇蝙；1x1之后不進(jìn)行ReLU沫勿；
2. No ReLU：ReLU將負(fù)值映射為0，高度非線性味混。
