深度学习模型（yolo）中的后端权重是什么？

Question

深度学习的新手，但似乎找不到/弄清楚后端权重是什么，例如

full_yolo_backend.h5

squeezenet_backend.h5

根据我的发现和实验，这些后端权重具有根本不同的模型架构，例如

• yolov2模型具有40层以上的层，但后端只有20层以上的层（？）
• 您可以使用自己的网络（？）在后端模型的基础上构建
• 使用后端模型往往会产生较差的结果（？）

我希望出于学习目的，对后端权重与实际模型进行一些解释。非常感谢！

Answer 1

我注意到您使用的是哪种实现，但是在许多应用程序中，您可以将深度模型视为特征提取器，其输出或多或少与任务无关，其后是许多特定于任务的负责人。

后端的选择取决于您在精度和计算复杂度之间权衡方面的特定限制。后端的经典但耗时的选择的示例是resnet-101，resnet-50或VGG，它们可以与FPN（功能金字塔网络）耦合以产生多尺度特征。但是，如果您最关心速度，则可以使用较小的后端，例如不同的MobileNet架构，甚至可以使用原始网络，例如原始Yolov1 / v2论文中使用的原始网络（tinyYolo是极端情况）。

一旦选择了后端（可以使用经过预训练的后端），就可以加载其权重（这就是* h5文件）。最重要的是，您将添加一个小头来执行所需的任务：这可以是分类，bbox回归或类似MaskRCNN的地面/背景分割。对于Yolov2，您可以仅添加很少的内容，例如3个卷积层（当然具有非线性），它们将输出大小为

的张量

BxC1xC2xAxP
#B==batch size
#C1==number vertical of cells
#C2==number of horizontal cells
#C3==number of anchors
#C4==number of parameters (i.e. bbx parameters, class prediction, confidence)  

然后，您可以单独保存/加载此头部的重量。不过，如果您对结果感到满意，那么（端到端）联合培训通常会给您带来一些小的准确性。

最后，回到最后一个问题，我认为后端的效果不佳，因为您仅加载后端权重，而不是头部的权重。另一种可能性是您正在使用经过后端X训练的头部，但是您将后端切换到Y。在这种情况下，由于头部期望具有不同的功能，因此自然会看到性能下降。