随手记录一些深度学习方法在目标检测与跟踪领域上面的应用
Densenet
优点：
1. 减轻了梯度消失现象；
2. 加强了feature的传递；
3. 更有效地利用了feature；
4. 一定程度上减少了参数量。
DSOS(Deeply Supervised Object Detector)
Fine Tune和直接训练检测模型的差异可以减小
YOLO
YOLOv1
输入尺寸固定，占比较小的目标检测效果不好
YOLOv2
改进
1. Batch Normalization的使用，取消了dropout‘
2. 高分辨率的引入；
3. Anchor Boxes——K-means方法；
4. 使用了细粒度特征——将浅层叠加到深层；
5. Muti-Scale Training.
网络结构
1. 主要使用3x3卷积并在pooling后channel加倍；
2. Global Average Pooling代替全连接做分类；
3. 1x1卷积压缩特征表示。
YOLOv3
1. 小目标效果不错（我实际验证后觉得小目标也不好），但随着IOU增大，性能下降（确实）；
2. 位置精确性差，召回率低；
3. 多尺度
Inception
Inception v1
Inception Module结构是1x1，3x3，5x5的卷积和3x3pooling的组合；
Inception v2
1. 加入BN层，增加模型鲁棒性，加快学习速度，更快收敛；
2. 用两个3x3代替一个5x5；
Inception v3
1. 卷积分解：
image
2. 加速，更深
Inception v4
1. 增加残差连接；
2. 加速收敛，精度更高。
Xception(Inception v3基础之上)
1. 通道式分离卷积
2. 没有ReLU
MobileNet
1. 压缩模型；
2. 将标准卷积拆分：
image
ShuffleNet
在MobileNet基础上，对1x1进行shuffle和group操作
MobileNet v2
1. 残差结构：在3x3前进行1x1升维，经过ReLU；1x1之后不进行ReLU；
2. No ReLU：ReLU将负值映射为0，高度非线性。
