标签：第四课 5.5 AI 检测 目标 MMDetection 3.4 OpenMMLab CNN

OpenMMLab AI实战营 第四课笔记

---

目录

• OpenMMLab AI实战营 第四课笔记
• 目标检测与MMDetection
• 1.什么是目标检测
  • 1.1 目标检测的应用
    • 1.1.1 目标检测 in 人脸识别
    • 1.1.2 目标检测 in 智慧城市
    • 1.1.3 目标检测 in 自动驾驶
    • 1.1.4 目标检测 in 下游视觉任务
  • 1.2 目标检测 vs 图像分类
    • 1.2.1 滑动窗口Sliding Window
    • 1.2.2 滑窗的效率问题
      • 1.2.2.1 改进思路1：区域提议
      • 1.2.2.2 改进思路2：分析滑动窗口中的重复计算
      • 1.2.2.3 消除滑窗中的重复计算
      • 1.2.2.4 在特征图上进行密集预测
  • 1.3 目标检测的基本范式
  • 1.4 目标检测技术的演进
• 2.基础知识
  • 2.1 框，边界框(Bounding Box)
  • 2.2 框相关的概念
  • 2.3 交并比(Intersection Over Union)
  • 2.4 置信度
  • 2.5 非极大值抑制
  • 2.6 边界框回归
  • 2.7 边界框编码
• 3.两阶段目标检测算法
  • 3.1 两阶段算法概述
  • 3.2 Region-based CNN(2013)
    • 3.2.1 R-CNN的训练
    • 3.2.2 R-CNN相比于传统方法的提升
    • 3.2.3 R-CNN的问题
  • 3.3 Fast R-CNN(2014)
    • 3.3.1 Rol Pooling
    • 3.3.2 Rol Align
  • 3.4 Fast R-CNN
    • 3.4.1 Fast R-CNN的训练
    • 3.4.2 Fast R-CNN的速度提升
    • 3.4.3 Fast R-CNN的精度提升
    • 3.4.4 Fast R-CNN的速度瓶颈
    • 3.4.5 降低区域提议的计算成本
    • 3.4.6 朴素方法的局限
    • 3.4.7 锚框Anchor
  • 3.5 Faster R-CNN(2015)
    • 3.5.1 Faster R-CNN的训练
  • 3.6 两阶段方法的发展与演进(2013~2017)
• 4.多尺度检测技术
  • 4.1 多尺度检测必要性
  • 4.2 图像金字塔Image Pyramid
  • 4.3 层次化特征
  • 4.4 特征金字塔网络Feature Pyramid Network(2016 )
  • 4.5 在Faster R-CNN模型中使用FPN
• 5.单阶段目标检测算法
  • 5.1 回顾两阶段算法
  • 5.2 单阶段算法
  • 5.3 单阶段检测算法概述
  • 5.4 YOLO：You Only Look Once(2015)
    • 5.4.1 YOLO的分类和回归目标
    • 5.4.2 YOLO的损失函数
    • 5.4.3 YOLO的优点和缺点
  • 5.5 SSD：Single Shot MultiBox Detector(2016)
    • 5.5.1 SSD的损失函数
    • 5.5.2 正负样本不均衡问题
    • 5.5.3 解决样本不均衡问题
    • 5.5.4 困难负样本Hard Negative
    • 5.5.5 不同负样本对损失函数的贡献
    • 5.5.6 降低简单负样本的损失
    • 5.5.6 Focal Loss
  • 5.6 RetinaNet(2017)
    • 5.6.1 RetinaNet的性能
  • 5.7 YOLOv3(2018)
• 6.无锚框目标检测算法
  • 6.1 锚框 vs 无锚框
  • 6.2 FCOS,Fully Convolutinal One-Stage(2019)
    • 6.2.1 FCOS的多尺度匹配
    • 6.2.2 FCOS的预测目标
    • 6.2.3 中心度Center-ness
    • 6.2.4 FCOS的损失函数
  • 6.3 CenterNet(2019)
    • 6.3.1 CenterNet的主要流程
• 7.Detection Transformers
  • 7.1 DETR(2020)
  • 7.2 Deformable DETR(2021)
• 8.目标检测模型的评估方法Evaluaion
  • 8.1 检测结果的正确/错误类型
  • 8.2 准确率Rrecision与召回率Recall
  • 8.3 准确率与召回率的平衡
  • 8.4 PR曲线与AP值
  • 8.5 完整数据集上的例子
  • 8.6 PR曲线的起伏
  • 8.7 Mean AP
  • 8.8 总结
• 9.MMDetection
  • 9.1 目标检测工具包MMDetection
  • 9.2 广泛应用
  • 9.3 MMDetection可以做什么
  • 9.4 MMDetection环境搭建
  • 9.5 OpenMMLab项目中的重要概念——配置文件
  • 9.6 MMDetection代码库结构
  • 9.7 配置文件的运作方式
  • 9.8 两阶段检测器的构成
  • 9.9 单阶段检测器的构成
  • 9.10 RetinaNet模型配置-主干网络
    • 9.10.1 RetinaNet模型配置-颈部
    • 9.10.2 RetinaNet模型配置-bbox head1
    • 9.10.3 RetinaNet模型配置-bbox head2
  • 9.11 COCO数据集介绍
    • 9.11.1 COCO数据集格式
    • 9.11.2 COCO数据集的标注格式
    • 9.11.3 BBOX标注格式
    • 9.11.4 标注、类别、图像id的对应关系
  • 9.12 在MMDetection中配置COCO数据集
    • 9.12.1 MMDetection中的自定义数据集格式
    • 9.12.2 数据处理流水线
  • 9.13 MMDetection中的常用训练策略
  • 9.14 训练自己的检测模型

目标检测与MMDetection

1.什么是目标检测

1.1 目标检测的应用

1.1.1 目标检测 in 人脸识别

1.1.2 目标检测 in 智慧城市

1.1.3 目标检测 in 自动驾驶

1.1.4 目标检测 in 下游视觉任务

1.2 目标检测 vs 图像分类

1.2.1 滑动窗口Sliding Window

1.2.2 滑窗的效率问题

1.2.2.1 改进思路1：区域提议

1.2.2.2 改进思路2：分析滑动窗口中的重复计算

1.2.2.3 消除滑窗中的重复计算

1.2.2.4 在特征图上进行密集预测

1.3 目标检测的基本范式

1.4 目标检测技术的演进

2.基础知识

2.1 框，边界框(Bounding Box)

2.2 框相关的概念

2.3 交并比(Intersection Over Union)

2.4 置信度

2.5 非极大值抑制

2.6 边界框回归

2.7 边界框编码

3.两阶段目标检测算法

3.1 两阶段算法概述

3.2 Region-based CNN(2013)

3.2.1 R-CNN的训练

3.2.2 R-CNN相比于传统方法的提升

3.2.3 R-CNN的问题

3.3 Fast R-CNN(2014)

3.3.1 Rol Pooling

3.3.2 Rol Align

3.4 Fast R-CNN

3.4.1 Fast R-CNN的训练

3.4.2 Fast R-CNN的速度提升

3.4.3 Fast R-CNN的精度提升

3.4.4 Fast R-CNN的速度瓶颈

3.4.5 降低区域提议的计算成本

3.4.6 朴素方法的局限

3.4.7 锚框Anchor

3.5 Faster R-CNN(2015)

3.5.1 Faster R-CNN的训练

3.6 两阶段方法的发展与演进(2013~2017)

4.多尺度检测技术

4.1 多尺度检测必要性

4.2 图像金字塔Image Pyramid

4.3 层次化特征

4.4 特征金字塔网络Feature Pyramid Network(2016 )

4.5 在Faster R-CNN模型中使用FPN

5.单阶段目标检测算法

5.1 回顾两阶段算法

5.2 单阶段算法

5.3 单阶段检测算法概述

5.4 YOLO：You Only Look Once(2015)

5.4.1 YOLO的分类和回归目标

5.4.2 YOLO的损失函数

5.4.3 YOLO的优点和缺点

5.5 SSD：Single Shot MultiBox Detector(2016)

5.5.1 SSD的损失函数

5.5.2 正负样本不均衡问题

5.5.3 解决样本不均衡问题

5.5.4 困难负样本Hard Negative

5.5.5 不同负样本对损失函数的贡献

5.5.6 降低简单负样本的损失

5.5.6 Focal Loss

5.6 RetinaNet(2017)

5.6.1 RetinaNet的性能

5.7 YOLOv3(2018)

6.无锚框目标检测算法

6.1 锚框 vs 无锚框

6.2 FCOS,Fully Convolutinal One-Stage(2019)

6.2.1 FCOS的多尺度匹配

6.2.2 FCOS的预测目标

6.2.3 中心度Center-ness

6.2.4 FCOS的损失函数

6.3 CenterNet(2019)

6.3.1 CenterNet的主要流程

7.Detection Transformers

7.1 DETR(2020)

7.2 Deformable DETR(2021)

8.目标检测模型的评估方法Evaluaion

8.1 检测结果的正确/错误类型

8.2 准确率Rrecision与召回率Recall

8.3 准确率与召回率的平衡

8.4 PR曲线与AP值

8.5 完整数据集上的例子

8.6 PR曲线的起伏

8.7 Mean AP

8.8 总结

9.MMDetection

9.1 目标检测工具包MMDetection

9.2 广泛应用

9.3 MMDetection可以做什么

9.4 MMDetection环境搭建

9.5 OpenMMLab项目中的重要概念——配置文件

9.6 MMDetection代码库结构

9.7 配置文件的运作方式

9.8 两阶段检测器的构成

9.9 单阶段检测器的构成

9.10 RetinaNet模型配置-主干网络

9.10.1 RetinaNet模型配置-颈部

9.10.2 RetinaNet模型配置-bbox head1

9.10.3 RetinaNet模型配置-bbox head2

9.11 COCO数据集介绍

9.11.1 COCO数据集格式

9.11.2 COCO数据集的标注格式

9.11.3 BBOX标注格式

9.11.4 标注、类别、图像id的对应关系

9.12 在MMDetection中配置COCO数据集

9.12.1 MMDetection中的自定义数据集格式

9.12.2 数据处理流水线

9.13 MMDetection中的常用训练策略

9.14 训练自己的检测模型

标签：第四课,5.5,AI,检测,目标,MMDetection,3.4,OpenMMLab,CNN
From： https://www.cnblogs.com/isLinXu/p/17096949.html