YOLO系列障礙物檢測
YOLO(You Only Look Once)是將物體檢測作為回歸問題求解的一種一階段檢測算法；
YOLO基于一個單獨的端到端網絡，完成從原始圖像的輸入到物體位置和類別的輸出；
YOLO與RCNN、Fast RCNN、Faster RCNN區(qū)別：

網絡定義

輸出表達(representation)定義

損失(loss)函數(shù)定義
YOLO使用均方和誤差作為loss函數(shù)來優(yōu)化模型參數(shù)，即網絡輸出的S×S×(B×5+C)維向量與真實圖像的對應S×S×(B×5+C)維向量的均方和誤差；
$$loss=\sum _{i=0}^{s^2}coordError+iouError+classError$$
其中：
$coordError$：預測數(shù)據(jù)與標定數(shù)據(jù)之間的坐標誤差；
$iouError$：IOU誤差；
$classError$：分類誤差；

YOLO對loss的計算進行了修正：

SSD障礙物檢測
SSD(Single Shot Multibox Detector)是一種單一階段檢測算法，只需要用到圖像一次，無須先產生候選框再進行分類和回歸，直接在圖像中不同位置進行邊界框的采樣，使用卷積層進行特征提取后直接進行分類和回歸；

SSD檢測的主要設計理念：

使用不同尺度下的特征圖進行檢測
SSD通過提取不同尺度下的特征圖來做檢測，SSD使用了6種不同尺寸的特征圖來進行檢測；在卷積神經網絡中，較低層級的特征圖尺寸較大，在這種特征圖上的候選框在原圖上覆蓋范圍較小；較高層級的特征圖的尺寸較小，候選框在原圖上的覆蓋范圍大；如下圖2所示。

采用卷積層做檢測
SSD直接采用卷積對不同特征圖進行特征提取；如圖1所示，對于尺寸為$m\times n$，維數(shù)為$p$的特征圖，SSD使用$3\times 3\times p$的卷積核來進行卷積；輸出：一種為用于分類的置信度分數(shù)；一種是用于回歸的位移量；

采用不同尺度和縱橫比的候選框
SSD在每個單元格設置不同尺度和縱橫比的默認框，對于一個尺寸為$m\times n$的特征圖，假定每個單元格有$k$個默認框，則該特征圖有$m\times n\times k$個默認框；如圖2，每個單元格設定有4種不同尺寸的默認框，則該圖網絡有$38\times 38\times 4+19\times 19\times 6+10\times 10\times 6+5\times 5\times 6+5\times 5\times 6+3\times 3\times 4+1\times 1\times 4=8732$個默認框；

對于每個默認框，SSD的預測值：分類的置信度和邊界框的回歸值。
1. 分類：SSD把背景單獨作為一類，在VOC數(shù)據(jù)集上，SSD的每個默認框會輸出21類置信度，其中20類為VOC的目標種類；
2. 邊界框的回歸值：預測真實邊界框$g$相對于默認框$d$的中心$(cx,cy)$和寬$(w)$、高$(h)$的轉換量，預測值的真實值的計算方式：$${\hat{g}}^{cx}=(g^{cx}?d^{cx})/d^w，{\hat{g}}^{cy}=(g^{cy}?d^{cy})/d^h$$ $${\hat{g}}^w=\log (\frac{g^w}{d^w})，{\hat{g}}^h=\log (\frac{g^h}{d^h})$$
假定數(shù)據(jù)集有$c$種目標，則每個默認框需要預測$c+1$個類別概率和$4$個坐標相關的轉換量；

損失函數(shù)定義
SSD的損失函數(shù)由位置誤差(localization loss，loc)和置信度誤差(confidence loss，conf)組成；令$x_{ij}^p=\{1,0\}$表示第$i$個默認框是否與第$j$個真實框匹配，$N$為匹配的默認框總數(shù)，$c$為類別置信度預測值，$g$為真實邊界框，$l$為預測框，總的損失函數(shù)為：$$L(x,c,l,g)=\frac{1}{N}(L_{conf}(x,c)+\alpha L_{loc}(x,l,g))$$
位置誤差$L_{loc}$，采用Smooth L1 loss(平滑的L1損失)：$$L_{loc}(x,l,g)=\sum _{i\in Pos}^N\sum _{m\in (cx,cy,w,h)}{x}_{ij}^{k}smoot{h}_{L1}(l_i^m?{\hat{g}}_j^m)$$
置信度誤差$L_{conf}$，采用softmax loss：$$L_{conf}(x,c)=?\sum _{i\in Pos}^N{x}_{ij}^p\log ({\hat{c}}_i^p)?\sum _{i\in Neg}\log ({\hat{c}}_i^p)$$ $${\hat{c}}_i^p=\frac{\exp (c_i^p)}{{\sum }_p\exp (c_i^p)}$$
總誤差函數(shù)的權重系數(shù)$\alpha$通過交叉驗證設置。

Faster RCNN障礙物檢測
介紹：Faster RCNN由Ross B. Girshick等人在2016年提出，是一種二階段檢測算法；Faster RCNN將體征提取模塊、候選框生成模塊、邊框回歸和目標分類模塊整合到一個網絡，綜合性能大大提高。