我们可以使用多个模型进行目标检测吗？

Question

所以我一直致力于物体检测，我已经看到像YOLO和Mask-RCNN这样的模型使用单一的深度模型来对物体进行分类。是否有可能使多个小型网络相对地分别识别每个对象，以提高准确性以及对速度的影响。我有点困惑。

Answer 1

如果你看一下Yolo和Mask-RCNN等模型的“黑匣子”，你会意识到它们在一定程度上已经包含了关于目标检测的“多个小网络”。

实际上，Mask-RCNN大致是一个更快的RCNN，有一个额外的分支用于分割。然而，关于检测，“某处”有一个分类层，它给每个类对象一个分数(和一个回归层来估计盒子)。所有的对象类都是从一个共同的表示(网络的所有其余部分)中估计出来的，并且只有最后一层专门用于每个类。然而，重点在于，联合计算所有对象类的公共表示是有好处的，特别是因为类i的正样本通常也是类j的负样本。

YOLO (v1)的想法完全不同，但在网络的“某处”，有一堆神经元层。每个对象类都有一个层，它计算相应对象在图像区域中存在的概率。同样，层是从“公共表示”计算出来的，因此在这种意义上，它们是相当独立的“分类器”。但再一次，这些“分类器”受益于为所有类对象共同计算的表示。

老实说，这些解释都是非常近似的，以求清晰。如果你真的想了解，最好的方法是阅读the publication(s) of Yolo或that of mask R-CNN。然而，这是非常技术性的，需要很好地理解深度学习的基础知识。网上也有一些很好的教程。

这就是说，你可以修改Yolo和Mask R-CNN的架构，将更复杂的“小神经网络”放在现有层的替换中。它可能会提高性能，因为你会有更多的神经元，但训练起来也会更复杂。正如@jakub的评论所说，你也可以训练多个特定的网络，并在所有网络中添加一层供选择，但这将是一个“新”的架构，我怀疑你是否会比Yolo或Mask R-CNN在性能和计算效率之间取得更好的折衷

Answer 2

您可以集成多个模型。我找到了一篇this文章，它对集成多个模型有更好的解释