小米平板5 Pro 12.4簡(jiǎn)評(píng)：多專多能 兼顧影音娛樂(lè)的大屏利器
疫情帶來(lái)了網(wǎng)課，網(wǎng)課盤活了安卓平板，安卓平板市場(chǎng)雖然中途停滯了幾年，但好的一點(diǎn)就是停滯的這幾年行業(yè)又有了新的發(fā)展方向，例如超窄邊框、高刷新率、多攝鏡頭組合等，這就讓安卓
一. 兩階段算法
兩階段算法包含選擇候選框和修正目標(biāo)分類/位置兩個(gè)階段，對(duì)這兩個(gè)階段的不同處理方式，構(gòu)成了不同的算法方案。
1. R-CNN算法
2014年，R. Girshick等人提出了R-CNN算法。R-CNN算法的思路非常簡(jiǎn)單，首先基于Selective Search方法從原始圖像中篩選出若干候選框，然后將每個(gè)候選框中的圖像縮放的固定尺度送入卷積網(wǎng)絡(luò)提取特征，最后通過(guò)支持向量機(jī)（SVM）方法對(duì)特征進(jìn)行分類，判斷候選框中的圖像是背景還是我們關(guān)注的目標(biāo)類型。
在VOC2007數(shù)據(jù)集上，R-CNN算法相比之前的檢測(cè)算法，在性能有了顯著的提升（從33.7%提升到58.5%），是檢測(cè)算法的一個(gè)里程碑式的突破。
雖然R-CNN在算法性能上取得了巨大的進(jìn)展，但弊端也非常明顯，因?yàn)樾枰謩e從2000多個(gè)候選框中提取特征，所以效率非常低，后續(xù)各種算法正是為了解決這一問(wèn)題而提出的一系列改進(jìn)方案。
2. SPP-Net算法
2014年，何愷明等人提出了SPP-Net（Spatial Pyramid Pooling Networks，空間金字塔池化網(wǎng)絡(luò)）算法。
R-CNN算法要求輸入卷積網(wǎng)絡(luò)用來(lái)提取特征的子圖像尺寸固定，比如Alex-Net就要求輸入的圖像大小為固定的224像素×224像素，而SPP-Net算法則去掉了這一限制。SPP-Net算法基于一個(gè)空間金字塔池化層（SPP layer），無(wú)論輸入的子圖像大小如何，都會(huì)將子圖像采樣成固定大小的圖像。
在使用SPP-Net進(jìn)行檢測(cè)的過(guò)程中，對(duì)原始圖像只需要進(jìn)行一次卷積網(wǎng)絡(luò)計(jì)算，在得到整幅圖像的特征圖之后，通過(guò)空間金字塔池化層將每個(gè)候選框區(qū)域（ROI）都分別采樣成相同尺寸的子圖像，將相同尺寸的各個(gè)子圖像送入后續(xù)的網(wǎng)絡(luò)進(jìn)行特征提取，提取的特征具有相同的維數(shù)，最后送入全連接層進(jìn)行分類。
SPP-Net不需要進(jìn)行多次卷積網(wǎng)絡(luò)計(jì)算，與R-CNN相比，在算法精度不變的情況下，算法的速度有了20倍的大幅提升。
3. Fast R-CNN算法
2015年，R. Girshick等人提出了Fast R-CNN算法，其本質(zhì)是在R-CNN和SPP-Net的基礎(chǔ)上進(jìn)行了進(jìn)一步改進(jìn)。Fast R-CNN可以在網(wǎng)絡(luò)里同時(shí)預(yù)測(cè)目標(biāo)的分類概率和位置偏移。
在VOC2007數(shù)據(jù)集上，F(xiàn)ast R-CNN將mAP（mean Average Precision，平均精度均值）從58.5%提升至70.0%，算法速度也比R-CNN有了200倍的提升。雖然Fast R-CNN的性能和速度相比R-CNN和SPP-Net有了明顯的改善，但整體速度仍然受到候選框檢測(cè)算法的制約，為了解決這個(gè)問(wèn)題，F(xiàn)aster R-CNN算法誕生了。
4. Faster R-CNN算法
2015年，S. Ren等人提出了Faster R-CNN算法，F(xiàn)aster R-CNN是第一個(gè)端到端算法，也是第一個(gè)接近實(shí)時(shí)深度學(xué)習(xí)的目標(biāo)檢測(cè)算法。使用ZF-Net網(wǎng)絡(luò)骨架，在VOC2007數(shù)據(jù)集上，mAP達(dá)到了73.2%，算法速度達(dá)到了17fps。
Faster R-CNN最主要的貢獻(xiàn)是使用卷積網(wǎng)絡(luò)檢測(cè)候選框。檢測(cè)候選框、預(yù)測(cè)目標(biāo)的類別、回歸目標(biāo)位置的偏移量，共享底層卷積特征，整個(gè)算法流程融合成了一個(gè)完整的端到端學(xué)習(xí)框架。Faster R-CNN突破了候選框檢測(cè)的速度瓶頸，是一種十分重要的兩階段算法。
5. FPN算法
2017年，Lin等人在Faster R-CNN的基礎(chǔ)上提出了FPN（Feature Pyramid Net works，特征金字塔策略）算法。
在FPN之前，絕大多數(shù)深度學(xué)習(xí)檢測(cè)器都是基于卷積網(wǎng)絡(luò)最頂層的特征圖進(jìn)行計(jì)算的。深層特征包含全局信息，卻弱化了細(xì)節(jié)信息，使用深層特征在小目標(biāo)檢測(cè)，尤其是精準(zhǔn)定位方面，有著較大的劣勢(shì)。FPN采用top-down結(jié)構(gòu)以及側(cè)連方法，將深層特征和淺層特征進(jìn)行融合，使得特征既包含全局信息又包含細(xì)節(jié)信息。
另外，檢測(cè)計(jì)算也基于特征金字塔的多層特征圖，具有更強(qiáng)的多尺度適應(yīng)性。基于FPN的Faster R-CNN算法在COCO數(shù)據(jù)集上取得了最優(yōu)的性能。當(dāng)前，F(xiàn)PN已經(jīng)成為構(gòu)建檢測(cè)算法的基礎(chǔ)策略。
二. 一階段算法
一階段算法和兩階段算法最主要的區(qū)別，就是沒(méi)有單獨(dú)的候選框篩選階段，而是直接回歸目標(biāo)的位置坐標(biāo)和分類概率。常用的一階段算法如下。
1. YOLO算法
2015年，R. Joseph等人提出了YOLO（You Look Only Once）算法，這是首個(gè)深度學(xué)習(xí)領(lǐng)域的一階段算法。
從名字就可以看出，YOLO沒(méi)有兩階段算法中提取候選框和驗(yàn)證分類兩個(gè)步驟，圖像送入一個(gè)神經(jīng)網(wǎng)絡(luò)就能完成整個(gè)預(yù)測(cè)過(guò)程。YOLO算法的實(shí)現(xiàn)方案是，先把原始圖像劃分成網(wǎng)格，然后基于網(wǎng)格的每個(gè)單元格回歸目標(biāo)的類別概率和位置坐標(biāo)。
作為一階段算法，YOLO的一個(gè)最大優(yōu)點(diǎn)就是速度快，在VOC2007數(shù)據(jù)集上，mAP為63.4%，檢測(cè)算法速度可以達(dá)到45fps；YOLO的加速版本mAP為52.7%，速度甚至可以達(dá)到驚人的155fps。
不過(guò)，YOLO也有不盡如人意的地方，在目標(biāo)位置的精度上比兩階段算法有所降低，尤其是在對(duì)一些小目標(biāo)的檢測(cè)方面，效果明顯變差。正因?yàn)榇嬖谶@些問(wèn)題，后續(xù)YOLO的版本以及其他一階段算法，都致力于更好地解決上述問(wèn)題。
2. SSD算法
2015年，W. Liu等人提出了SSD（Single Shot MultiBox Detector）算法，這是深度學(xué)習(xí)領(lǐng)域的第二個(gè)一階段算法。
與僅使用最頂層特征圖進(jìn)行預(yù)測(cè)的方法不同，SSD最主要的貢獻(xiàn)是引入了基于多尺度特征圖的檢測(cè)策略，顯著提升了算法的性能，尤其是在小目標(biāo)檢測(cè)方面，相比YOLO有了明顯的改善，在VOC2007數(shù)據(jù)集上，mAP達(dá)到了76.8%。
3. Retina-Net算法
Retina-Net算法的主要目的是解決正負(fù)樣本不平衡的問(wèn)題。常規(guī)的一階段算法在提取訓(xùn)練樣本的過(guò)程中，背景樣本的比例遠(yuǎn)大于目標(biāo)樣本的比例。正負(fù)樣本的極度不平衡會(huì)導(dǎo)致訓(xùn)練過(guò)程中模型較少關(guān)注目標(biāo)樣本，這也是一階段算法的精度低于兩階段算法的主要原因。
Retina-Net算法引入了損失函數(shù)，其核心思想是在訓(xùn)練過(guò)程中，對(duì)傳統(tǒng)的交叉熵?fù)p失加上權(quán)重，使得錯(cuò)分的樣本產(chǎn)生的損失在最終損失中占有更大的比例。引入損失函數(shù)，使得一階段算法在保持速度優(yōu)勢(shì)的前提下，保證了目標(biāo)檢測(cè)的精度。
4. FCOS算法
2019年，沈春華團(tuán)隊(duì)提出了FCOS（Fully Convolutional One-Stage）算法。和SSD等一階段算法不同，F(xiàn)COS是一種“anchor free”方法，回歸目標(biāo)位置不需要預(yù)先設(shè)定anchor，在待檢測(cè)目標(biāo)尺度和形態(tài)變化較大的場(chǎng)景中有重要的應(yīng)用。
另外，F(xiàn)COS算法在具體實(shí)現(xiàn)的過(guò)程中也使用了FPN策略，對(duì)于多尺度的目標(biāo)有更好的檢測(cè)效果。
關(guān)于作者：涂銘，資深數(shù)據(jù)架構(gòu)師和人工智能技術(shù)專家，現(xiàn)就職于騰訊，曾就職于阿里。對(duì)大數(shù)據(jù)、自然語(yǔ)言處理、圖像識(shí)別、Python、Java等相關(guān)技術(shù)有深入的研究，積累了豐富的實(shí)踐經(jīng)驗(yàn)。
金智勇，計(jì)算機(jī)視覺(jué)算法專家，在計(jì)算機(jī)視覺(jué)領(lǐng)域深耕12年。現(xiàn)就職于百度，曾就職于阿里和三星等知名高新技術(shù)企業(yè)。業(yè)務(wù)領(lǐng)域涵蓋增強(qiáng)現(xiàn)實(shí)、人臉識(shí)別、圖像美化、智能交通、工業(yè)質(zhì)檢等多個(gè)方向，具有豐富的算法研究與落地經(jīng)驗(yàn)。
本文鏈接：http://m.www897cc.com/showinfo-119-2210-0.html九種深度學(xué)習(xí)算法簡(jiǎn)介
聲明：本網(wǎng)頁(yè)內(nèi)容旨在傳播知識(shí)，若有侵權(quán)等問(wèn)題請(qǐng)及時(shí)與本網(wǎng)聯(lián)系，我們將在第一時(shí)間刪除處理。郵件：2376512515@qq.com
上一篇： 騙人還是文字強(qiáng)！MIT最新研究：DeepFake換臉還不如編輯動(dòng)動(dòng)筆
下一篇： 云安全日?qǐng)?bào)220310：IBM輕量級(jí)企業(yè)應(yīng)用服務(wù)器發(fā)現(xiàn)執(zhí)行任意代碼漏洞,需要盡快升級(jí)
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請(qǐng)聯(lián)系：2376512515@qq.com 津ICP備18001702號(hào)
津公網(wǎng)安備 12010102000574號(hào)