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。

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：

端到端学习算法：

例2：

端到端学习算法：

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

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

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”： 

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”： 

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”： 

 

参考：