汇总|目标检测中的数据增强、backbone、head、neck、损失函数

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

作者：Tom Hardy

https://zhuanlan.zhihu.com/p/137769687

本文仅做学术分享，如有侵权，请联系删除。

一、数据增强方式

1. random erase

2. CutOut

3. MixUp

4. CutMix

5. 色彩、对比度增强

6. 旋转、裁剪

解决数据不均衡：

• Focal loss

• hard negative example mining

• OHEM

• S-OHEM

• GHM（较大关注easy和正常hard样本，较少关注outliners）

• PISA

二、常用backbone

1. VGG

2. ResNet（ResNet18，50，100）

3. ResNeXt

4. DenseNet

5. SqueezeNet

6. Darknet（Darknet19,53）

7. MobileNet

8. ShuffleNet

9. DetNet

10. DetNAS

11. SpineNet

12. EfficientNet（EfficientNet-B0/B7）

13. CSPResNeXt50

14. CSPDarknet53

三、常用Head

Dense Prediction (one-stage):

1. RPN

2. SSD

3. YOLO

4. RetinaNet

5. (anchor based)

6. CornerNet

7. CenterNet

8. MatrixNet

9. FCOS(anchor free)

Sparse Prediction (two-stage):

1. Faster R-CNN

2. R-FCN

3. Mask RCNN (anchor based)

4. RepPoints(anchor free)

四、常用neck

Additional blocks:

1. SPP

2. ASPP

3. RFB

4. SAM

Path-aggregation blocks:

1. FPN

2. PAN

3. NAS-FPN

4. Fully-connected FPN

5. BiFPN

6. ASFF

7. SFAM

8. NAS-FPN

五、Skip-connections

1. Residual connections

2. Weighted residual connections

3. Multi-input weighted residual connections

4. Cross stage partial connections (CSP)

六、常用**函数和loss

**函数：

• ReLU

• LReLU

• PReLU

• ReLU6

• Scaled Exponential Linear Unit (SELU)

• Swish

• hard-Swish

• Mish

loss：

• MSE

• Smooth L1

• Balanced L1

• KL Loss

• GHM loss

• IoU Loss

• Bounded IoU Loss

• GIoU Loss

• CIoU Loss

• DIoU Loss

七、正则化和BN方式

正则化：

• DropOut

• DropPath

• Spatial DropOut

• DropBlock

BN：

• Batch Normalization (BN)

• Cross-GPU Batch Normalization (CGBN or SyncBN)

• Filter Response Normalization (FRN)

• Cross-Iteration Batch Normalization (CBN)

八、训练技巧

• Label Smoothing

• Warm Up

推荐阅读：

• 专辑|相机标定
  

• 专辑|3D点云
  

• 专辑|SLAM
  

• 专辑|深度学习与自动驾驶
  

• 专辑|结构光
  

• 专辑|事件相机
  

• 专辑|OpenCV学习
  

• 专辑|学习资源汇总
  

• 专辑|招聘与项目对接

• 专辑|读书笔记

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近1000+星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题