目标检测相关

1 x 1卷积的作用：

　　1. 引入非线性：相当于全连接过程，加入非线性，增加了网络的非线性，使得网络可以表达更复杂的特性。

　　2. 特征降维： 对通道数进行放缩，减少参数，减小计算量。 

                                           

　　如上图所示，加入1x1卷积后，计算量得到大大减少。

 

空洞卷积：可以获得更大的特征图，更加密集的数据，在相同的感受野下，更大的特征图有助于分割和检测更小的物体。

　　　　　　　　

 

转置卷积：又称反卷积，不常用。

 

传统的目标检测：

　　采用的是滑动窗口法加传统机器学习分类(如SVM等)，主要有以下几点问题：

　　1. 识别效果不够好，准确率不高

　　2. 计算量较大，运行速度慢

　　3. 可能会出现多个结果

　　采用滑动窗口法加CNN可以提高准确率，但速度甚至可能下降。

 

全卷积神经网络FCN(fully convolution network):

　　使用1x1卷积代替全连接层，其精髓在于可以输入任意大小的图片。

 

判断目标检测的质量好坏：

　　1. 交并比IoU   intersection over union

　　    IoU = Detection ∩ Truth / Detection ∪ Truth

　　　一般将阈值设为≥0.5，大于阈值的叫做正样本，小于阈值的叫负样本

 

　　2. 平均准确率均值mAP   mean average precision

　　　最重要的指标，∈(0, 1)，越大越好

 　　　　　　

　　对于分类问题的每一个类别都可以根据recall和precision绘制一条曲线，则AP就是该曲线下的面积，mAP就是多个类别AP的均值。

　　可以看出，recall越大，precision越小。