怎么验证演唱会门票真假？

鉴别演唱会门票真伪的方法有以下几种：

1、查询门票正面的防伪编码；

2、用指甲划票的表面，会有灰黑色的印记。

3、刮开“数字防伪认证”可直接电话、短信查询真伪；防伪贴上字样火烤立即变红；揭下防伪贴有防伪激光底层，并无法再次粘贴；

4、强光手电照，票纸变色蓝绿为真票，假票是不变色的；

5、注意二维码的清晰度，不可污损、遮盖。

扩展资料：

防伪查询使用时，是要配合电话查询（400、800、固定电话）、短信查询、网站查询、人工服务台等平台进行使用：

1、电话查询：拨打防伪标识物上提供的防伪信息查询电话后（400、800或者固话）,根据语音提示输入防伪码，按#号键结束后，防伪信息查询系统会自动播放语音提示：该产品是XX厂家生产的正品，并且通过XX认证等产品信息，如果出现语音提示异常（例如：防伪码不存在警防假冒，防伪码被多次查询警防假冒），则应谨慎使用该产品。

2、短信查询：通过手机编写防伪标识物上的防伪码，发送到防伪信息查询系统，查询系统会回复一条关于该产品的真伪信息，以确认所查询产品的真伪；

3、网站查询：登录防伪标识物上提供的防伪信息查询网站，把防伪密码输入查询窗口后，系统会显示出该产品真伪的信息。

4、人工服务台：通过拨打统一的人工服务平台，把防伪标识物上相关信息提供给服务台工作人员，工作人员通过核对数据库里的资料，以确认产品真伪。

_防伪查询

上海市的。

Yololand有乐岛成立于2021年4月，聚焦「有钱没有闲、要颜又怕甜」的时髦打工人群体。有乐岛主张放肆与健康同在的饮食方式，首发产品选择了谷物早餐这一品类切入食品市场，推出一系列快、好、美的「有乐岛营养谷物早餐杯」。

为与其他网红代餐做出口味和品质差异化，有乐岛以传统食补配方为灵感，并搭配拥有开发专利的有乐杯设计、洁净标签配方，向消费者传递时髦健康的品牌文化。

包装设计层面，谷物早餐杯的杯身采用百分之百可降解材料。

购买时随机附送种子和压缩土，在喝完洗净的杯子里可以种植花草。为工位增添一抹绿色风景，这是「工位绿洲计划」的初衷所在。Simon告诉36氪，由于采用了种子盲盒的概念，团队从消费者端时常收到“新鲜”、“有创意”等反馈。

营销层面，团队发起了「yolo-to-offices」活动，即为100家公司免费送早餐的「办公室投喂计划」，以此达到精准触达用户的目的。

转载网友的,我已经享受过了，独享不如与朋友分享:

女歌手:

1、林佳仪——一个人的我依然会微笑（这是她翻唱歌曲中最经典的一首，是我百听不厌的。不会让你失望！）

2、彭佳慧——相见恨晚（第一次听便爱不释手了。不管是词还是曲，值得一听！）

3、刘嘉玲——别让我最后一个才知道（已经是一首很老的歌了，但我依然不愿意从mp3中删掉，歌曲很简单，很清新，她唯一的一首 好歌，我喜欢！）

4、马郁——一天死去一点（总是在夜里听它，总感觉越来越耐听，她的歌我都喜欢,但这一首是最爱）

5、蔡依林——我知道你很难过（虽然我不喜欢这类型的歌手，但我却很喜欢她这支歌，可能这叫一听钟情吧！）

6、邹芮——让爱重来（电视剧“离婚女人”中的主题歌，我找了好久，去听听吧，看电视的时候还以为是苏芮唱的，虽然没听过这个歌 手，但歌真的好听）

7、王馨平——一生痴恋（我好象比较喜欢推老歌，但真的经典喔！“停停走走的爱太伤人”歌词很好！）

8、那英——爱要有你才完美（终于推新歌了！那英重出江湖的主打歌曲，不愧是女天后，可以一听）

9、陈妃平——永远到底有多远（不错的歌，特别是词“所谓永远只不过是一瞬间”）

10、阮丹青——第九十九夜（一个有着特别嗓音的女歌手，她还有一首“有染”也特别好听，去下吧！相信我没错的！）

11、徐若萱——爱笑的眼睛（一个才女型歌手，我觉得比她的“哎呀”风格好听多了！）

12、朱桦——我怎么了（一支深情的悲伤情歌！可以一听）

13、钟汶——刺猬（一个新歌手，她的音色很好，歌也不错！我想她会红起来的！还有她的赔偿、过冬都值得听！喜欢她就好象喜欢马 郁一样的）

14、claire——我不想忘记你（让人听起来很悦心悦耳的一支歌，我喜欢）

15、戴佩妮——怎样、防空洞（让人听了还想听的歌,她的歌很耐听的！好象每首都不错）

16、蔡健雅——无底洞（也是我最喜欢的歌之一喔！）

17、林宸希——不再问（也是mp3中至今保留的歌曲之一，喜欢极了！没听过的，快去下喔！）

18、陈冠蒲—太多、就让你走（很经典的，音域好高喔！k歌的时候总是唱不上去，但确实喜欢她的这两首歌！）

19、韩红—醒了、那片海（她的好歌太多了，但最爱的还是这两首，特别是前一首，那空灵的声音，真的是太绝了！这就是音乐的魔力 ！）

20、顺子——only one（不是英文歌喔！是“第101次求婚”的主题曲，她的音色就不用介绍了吧，“回家”是她的经典歌曲，我认为这一首也算吧！ ）

21、裘海正——懂爱的人（这首歌已经爱了很多年了，好象是刚谈恋爱时最喜欢听的歌，现在女儿已经6岁了，可依然还是百听不厌， 这也应该算经典吧！不信去听一听！）

22、希亚—心醉（一个朋友推荐的，听一次就喜欢上了！只是好象下载的效果不太好）

又要休息了！明天接着介绍，顶顶吧！我也不会吝啬的！

好了,又接着来吧!朋友说对了,我喜欢那些深情演绎的歌,不喜欢摇滚和说唱风格的歌，可能要令那些小弟弟小妹妹们失望了!

23、张惠妹—最深爱我的人伤我最深(是和张雨生共同演绎的，用感情唱歌的人特别能打动人的心灵）

24、金莎——第三滴眼泪（有着甜甜嗓音的小女孩，她的歌中我只喜欢这一首，可能是因为词写得好吧，“第一滴眼泪流下的时候你转 身准备走，第二滴眼泪流下的时候你已经离开了”那第三滴泪呢，由听者自己去体会吧！）

25、金海心——悲伤的秋千（有点不同于她以前歌曲的风格，不再那么甜了，所以我喜欢！）

26、陈倩倩——蓝颜知己（这也算一听钟情吧，是新歌，人靓歌也靓，我认为比她那首“婴儿”好听得多）

27、刘若英—决定（她有很多好歌，可能听得太多的原因，但我一直认为最好的还是应该算这一首吧，我自己喜欢就行了，每次k歌的 时候我都没有唱烦喔）

28、莫文蔚—他不爱我（她的嗓音有点特别，可以去听听，我想会比田震的歌耐听些）

29、本多ruru——今天的祝福，明天的孤独（也算强力推荐吧，应该不亚于她的那首“美丽心情”，不信就去下吧！）

30、王菲——催眠（k歌的时候，听别人唱的，感觉好听极了！本来就喜欢王菲，这也应该算她的经典歌曲之一吧！）

这些都是我最爱听的女歌手的歌，全献给大家了，希望朋友们继续帮我顶啊，别让它沉下去！

男歌手

1、深蓝乐队——2月14日

我看见鲜艳的玫瑰芬芳遍地，我感觉这样的情景那么熟悉，我惊异满街的情人如此甜蜜 我记得这一天你是那么美丽 。红玫瑰 黄玫瑰 盛开在2月14，也许你还记得 也许你已忘记 我的情歌曾为你夜夜唱起 。也许会遇见你 让一切再继续 我的心在原地等待奇迹，我想可以抽完这支烟就忘记 我想可以喝完这杯酒就忘记 ，我想可以唱完这首歌就忘记 我想可以不闭上眼就会想起

红玫瑰，黄玫瑰，哪一束不会枯萎，也许你还记得 也许你已忘记 爱情是生命的一道痕迹。也许会遇见你，让一切再继续 我的心在原 地等待奇迹 。也许你还记得 也许你已忘记 我的情歌只为你夜夜唱起 。也许会遇见你 让一切再继续 我的心在原地等待奇迹。我会去那棵榕树下等候你 我会去那唱片店里等候你 。我会在今夜梦中等候你 2月14的夜晚你会在哪里

（因为近两个月一直在听，那音乐太舒服了！所以忍不住成为今天的首推，歌的意境和旋律真的让我感觉太美了！多听几遍 相信你一定会喜欢的！）

2、范逸臣——piano

白键是那一年海对沙滩浪花的缱绻,黑键是和你多日不见 弹指间 海岸线你的泪 我的眼 ;模糊 天边 每个人心中都有架钢琴,尘封在回忆,任凭我只是你的插曲 时间偶尔提起 钢琴偶尔哭泣 那些零乱 片段 如果爱还能再重来 我期待澎湃 oh 每次 琴盖打开 便有歌来自大海 如果爱已不存在 我希望有一段精彩 让回忆有所感慨白键是现在我哀悼 昨天成全你改变 ;黑键是原谅我的原谅好想再 弹一遍 手指却 只听见你的道歉

（也是我一直舍不得删掉的歌,特别是歌词，下吧，绝对没错的！我认为这首歌可以和他的i belive同样堪称精典．音乐真的是一种好东西，可以让人这么沉醉、这么享受！

3、汪峰—飞得更高

生命就像一条大河 时而宁静时而疯狂 现实就像一把枷锁 把我捆住无法挣脱

这谜样的生活锋利如刀 一次次将我重伤 我知道我要的那种幸福 就在那片更高的天空

我要飞得更高飞得更高 狂风一样舞蹈挣脱怀抱 我要飞得更高飞得更高 翅膀卷起风暴心生呼啸

飞得更高 一直在飞一直在找 可我发现无法找到 若真想要是一次解放 要先剪碎这有过的往

我要的一种生命更灿烂 我要的一片天空更蔚蓝 我知道我要的那种幸福 就在那片更高的天空 我要飞得更高飞得更高 狂风一样舞蹈挣脱怀抱 我要飞得更高飞得更高 翅膀卷起风暴心生呼啸

飞得更高飞得更高飞得更高

（真的是令人 荡气回肠啊！很大气的一首歌，这才是男人应该唱的歌，给予人生活的方向，人活着就应该飞得更高！抱着希望听他其它歌，就差远了！ ）

4、迪克牛仔—三万英尺

爬升速度将我推向椅背 模糊的城市慢慢地飞出我的视线 呼吸提醒我活着的证明 飞机正在抵抗地球我正在抵抗你 远离地面快接近三万英尺的距离 思念像粘着身体的引力 还拉着泪不停地往下滴 逃开了你我躲在三万英尺的云底每一次穿过乱流的突袭 紧紧地靠在椅背上的我

以为还拥你在怀里

回忆像一直开着的机器 趁我不注意慢慢地清晰反覆播映 后悔原来是这么痛苦的 会变成稀薄的空气 会压得你喘不过气 要飞向那里能飞向那里 愚笨的问题 我浮在天空里自由的很无力

（他的歌中这一曲是我最最喜爱的，虽然他是个翻唱王，但这一曲绝对是原汁原味的。第一次听已经是几年前了，老公推荐的，现在依然 百听不厌！这么好听的歌，老公每次k这支歌的时候都必定会引起掌声不断，我感觉比迪克唱得还要投入一些，迪克的稍觉颓废一点！）

5、零点乐队—— 你的爱给了谁

忘了吧曾有过的幸福,算了吧 一切已结束我知道 她不属于我,我的心 却被带走失去了一生中 的最爱,想起来叫人心碎天空漂着冰雪,无法冻结 我的思念你的爱 到底给了谁,我的心为你 流着泪

所有的痛 留给伤悲,像你曾经的美丽你的爱到底给了谁,我的心为你流着泪谁能 做到不顾一切,像我那样 爱着你

（听这支歌会有想哭的冲动，一个失恋男人发自心灵的呐喊！如果你心情不好，真的应该去k这支歌，或许能够唱出你的心声，释放坏的 情绪，唱好了这支歌或许能让一个男人更具沧桑感！真的是越听越心碎，越听越爱听啊！）

6、郑源——我不后悔

7、刘欢——从头再来

8、孙楠—留什么给你（一直比较关注他，高亢的歌喉，音域宽广，能高能低，收放自如，他的经典歌太多了，只是我比较偏爱这一首罢 了！还有他的“我爱的她不爱我”、“燃烧”、“拯救”，还是很爱听。我相信你会喜欢他的）

9、张智成—放我的真心在你手心（好象已经是很久很久以前的歌了，但最近听过后，便又不忍心删掉了，那温馨的旋律，轻柔舒缓的音 乐，真的让人沉醉于其中。去享受一下吧！）

10、张振宇—爱上你这样的女人（简单轻快的一首歌，闲时听听，慢慢去体会吧，特别是结尾那一句，很是喜欢）

11、黄品源—那么爱你为什么（突然觉得这首歌曲的风格好象志上一首歌有几分相似，喜欢就行了！还有他的“狠不下心”也不错的， 虽不是他的主打歌，但不会让你失望的）

12、袁耀发—亲爱的你在哪里（他的歌好象不多，但这一曲我真的是喜欢听，而且好象还没听烦呢！去下吧！）

13、钟汉良—念忘之间（无意间听一个朋友推荐的，听过之后便据为已有了，应该算老歌中的经典吧，很有男人味的歌！我喜欢）

14、韩磊—千百年后谁还记得谁（也算一首颇有气势的歌,汉武大帝的主题曲，真的是一首震撼人心的好歌，唱出了男人，英雄的侠义 柔情，刚中有柔，穿越无尽沧桑 。在那种场景之下，音乐响起，再坚强的心也不能不潸然泪下。好歌，真的是好歌！还有一曲“向天再借五百年”，没听过的值得一听）

15、屠洪刚—放手（和韩磊算是一种歌路的歌手，颇有男儿气慨，但我还是喜欢他刚中有柔的歌曲，相信大家都听过他的“你”了，而 我力荐的这一首我相信你一定没听过，多听两遍你会发现很耐听！）

16、江涛—我们之间（他的新歌，歌词写得很好，还有他的“生日礼物”还是可以听的。）

17、小刚—不要问我分手后一个人怎么过（他的经典歌太多了，但我最钟爱他这一首，耐听！以前喜欢他的“黄昏”、“我的心太乱” ，都不错）

18、阿木—某个女人的美（差点忘了推他，从一个组合中单独出来发展的歌手，音色不错，特别喜欢这曲，“我想最难跨越的不是路途 遥远，而是某个女人的美”写得好亦唱得好！还有他的“i love you”也算他的经典之作吧！）

19、林峰—我是一个被爱伤过的人（一个朋友推荐的，也不知是老歌还是新歌，反正好听就行了，喜欢悲伤歌曲的人一定不要错过喔！ ）

20、5566—冷风过境（小刚的词曲，很酷的一首歌，虽然不熟悉歌手，但歌的确是好歌，建议你不妨也听听吧！）

先到这儿吧，因为时间原因，我没有贴歌词了，但相信这都是好歌，都是我十几年来的最爱，现在隆重推出，还在想什么，顶啊！我才有 信心继续啊！先谢谢朋友们！

21、水木年华—一生有你(听一遍便不由自主喜欢上了这支歌，特别喜欢“等到老去那一天，你是否还在我身边，看那些誓言谎言，随 往事慢慢飘散”，它所蕴含的东西太多了！一生有你，其实是很奢侈的，对吧？）

22、谢霆锋——我们这里还有鱼（有一天在朋友的车上听见的，又是一首一听钟情的歌，唱出了男人的痴情，敢爱敢恨！听到这支曲子 一响起我的心就会很平静，变得异常安静。下吧，谁都会喜欢的！）

23、动力火车——忠孝东路走九遍（动力火车的声音有一种魅力，这首歌有种很有力的悲伤，可能是因为他们是用心在唱歌吧！）

24、迪克牛仔——最后一首歌（“最后一首歌,我累得不想再使力气，我好想你,更想爱你，只是我早放弃,生命会有奇迹 ！”他的歌极具男人的沧桑，每次老公在k这支歌的时候，我都会沉醉于其中，真的是好歌！）

25、游鸿明——一天一万年（好听，有一种淡的忧伤，自他的“下沙”后应该算他的又一经典吧！）

26、黄征——地铁（他的新专辑的歌，我觉得比那首主打歌曲“一个人的战役”值得听，还有他的爱情诺曼底和奔跑，闲时不妨去听听 ）

27、石开——如果爱可以继续蔓延（很有诗意的情歌，让人一听就可以听上好几遍也不感觉烦，我喜欢）

28、罗志祥—灰色空间（歌的旋律很好，很耐听！）

29、李天华—七天七世纪（无意中听到的，却一下子就被吸引了，歌词写得特别好！喜欢悲伤歌曲的人不听会是你的遗憾喔！我想悲伤 的情歌只要用心去唱都会是好歌的！）

30、东来东往——忘了怎么哭（又是一首伤情歌，我真喜欢这首歌，很感性的歌词和旋律，让人感动！伤到极至才会忘了怎么哭吧？虽 然他只是一个网络歌手，但歌不错！）

继续喔！我想这次想到哪首歌就发哪首吧，不分男女，排名不分先后！支持我吧！

1、郭峰——在你面前我好想流泪(他有很多好歌，但这支歌最是用情，太投入的话可能你真会流泪喔！"告诉我沧桑后还有的滋味"， 喜欢！如果还没听过他的”移情别恋”的快去下吧！）

2、娃娃——飘泮过海来看你（前部分的旋律很美，词曲都不错，其实每次听都会有不同的感受，安静的坐在房间里听这首歌，你会发现不管你是否有同样的经历，你都会感动 !)

3、任贤齐——流着泪的你的脸（其实这首歌好老了，以前听起觉得视觉上挺好。可当再一次听到，突然之间颇为感触，非常耐听。当年 没有流行起来可能是因为被“心太软”给掩盖了，我个人觉得心太软比它差远了！）

4、辛欣——放120个心（喜欢这首歌那种淡淡的，有点忧郁的忧伤，就象在对你低声的诉说，听起来很舒服。歌曲是因为感动而流行吧，而感动是因为用心用情在唱歌）

5、she——他还是不懂（听第一遍就喜欢上了这歌，特别是歌词和旋律都非常舒服，算是好听的歌吧！基于爱国精神，本来不推她们 的，但对歌不对人吧！理解吗？）

6、梁朝伟——你是如此难以忘记（可能是因为喜欢他人的原因吧，爱乌及屋，所以特别喜欢他的歌，他的沧桑和他的男人味已充分融入 到歌中，还有他的“一天一点爱恋”、“为情所困”，不喜欢都不行！）

7、童安格——玫瑰的谎言（很老很老的一首歌了，老到压根就很少人听过，至今听起来仍然感觉好听。）

8、李碧华——分手 （也是一曲怀旧的经典歌，一直以来都很喜欢这首歌，记得还在念书的时候听过，这么多年了一直没忘记。喜欢这类型歌的人可以一听！ ）

9、广智——不再回头（一首好歌！其实做人就应该这样，拿得起放得下，词曲都不错！）

10、王筝——你还要什么（一个新歌手，朋友给我推荐她的“糖纸”，而我却爱上了这一首歌曲应该说她的歌都还可以听,去下她的 专辑吧，不会失望的！）

感动得有回报的，对吗？接着来喔！（抱歉的是我不是很喜欢听英文歌，让朋友们失望了！）

1、易欣——下辈子不要做男人（其实很早就想推这支歌了，只是一直感觉这歌名太给男人丢脸了吧，所以一直压着。其实歌手的声线和 歌的旋律都很不错，还有他的“不顾一切爱你”、”别再说你还爱着我”都算好的情歌吧！）

2、邝文珣——失恋了怎么办（她自己写的曲子，不错吧？她的声音很透彻，很舒服，很适合失恋的人听喔“到底是我不够勇敢，还是你 本来就不爱”最后这句歌词我最喜欢）

3、苏慧伦——相见恨晚、就要爱了吗（一直比较喜欢苏慧伦，但她的歌听得太多了，以前喜欢她的“哭过的天空”、“满足”、“鸭子 ”，但似乎这两首更让我怀念，虽然不比彭佳慧的那首相见恨晚，但也不会让你失望的！）

4、成龙、金喜善——美丽的神话（最好先去看这部**，然后再听这支歌，你才能体会到歌曲和**的完美结合，否则你是体会不到歌 的意境的．飞翔时的那情那景会自然而然蹦入你的脑海，一个字：美！）

5、车继铃——最远的你是我最近的爱(老得不能再老的歌了，悲情、伤感、充满磁性的歌声，尽管离今天已经整整15年了，但当车继 铃的歌声复又重来时,似乎他从来没有离开过,值得你再去听一听的）

6、杨林——她比我更好吗（一个太有女人味的歌手，一个温柔甜蜜得有点过分的声音，但当年好喜欢听，现在复又听见，对歌本身还是 那么感兴趣！）

7、李度——为爱犯了罪（周华建的女弟子，声音不错。还是一支伤情歌，可以一听吧！）

8、徐怀钰——分飞(我喜欢这个歌,歌词的每一句话好象都有它的含义，旋律很简单，但听来感觉很好听，是很容易k的一首歌 "一瞬间,我决堤在今夜,泪底垂,垂在手心里是你的余味"歌词写得太好了！）

9、 温兆伦——随风缘（典型的温式情歌， 很多年前听过这首歌，一直忘不掉，很喜欢歌中那份随意中的感伤,突然间我想到一句话“花自飘零，水自流”难道世间的缘分真的如此 ! 最好在夜里静静地聆听，你会醉在其中！）

10、赵传——爱要怎么说出口（一个歌声中略带疲惫的男人的歌，很有男人的沧桑感，我喜欢，至今mp3中都保留着喔！）

https://wwwpaddlepaddleorgcn/tutorials/projectdetail/2412195/

R-CNN系列算法需要先产生候选区域，再对候选区域做分类和位置坐标的预测，这类算法被称为两阶段目标检测算法。

与R-CNN系列算法不同，YOLOv3使用单个网络结构，在产生候选区域的同时即可预测出物体类别和位置，不需要分成两阶段来完成检测任务。另外，YOLOv3算法产生的预测框数目比Faster R-CNN少很多。Faster R-CNN中每个真实框可能对应多个标签为正的候选区域，而YOLOv3里面每个真实框只对应一个正的候选区域。这些特性使得YOLOv3算法具有更快的速度，能到达实时响应的水平。

Joseph Redmon等人在2015年提出YOLO（You Only Look Once，YOLO）算法，通常也被称为YOLOv1；2016年，他们对算法进行改进，又提出YOLOv2版本；2018年发展出YOLOv3版本。

YOLOv3算法的基本思想可以分成两部分：

1、按一定规则在上产生一系列的候选区域，然后根据这些候选区域与上物体真实框之间的位置关系对候选区域进行标注。跟真实框足够接近的那些候选区域会被标注为正样本，同时将真实框的位置作为正样本的位置目标。偏离真实框较大的那些候选区域则会被标注为负样本，负样本不需要预测位置或者类别。

2、使用卷积神经网络提取特征并对候选区域的位置和类别进行预测。这样每个预测框就可以看成是一个样本，根据真实框相对它的位置和类别进行了标注而获得标签值，通过网络模型预测其位置和类别，将网络预测值和标签值进行比较，就可以建立起损失函数。

目前大多数基于卷积神经网络的模型所采用的方式大体如下：

1、按一定的规则在上生成一系列位置固定的锚框，将这些锚框看作是可能的候选区域。

2、对锚框是否包含目标物体进行预测，如果包含目标物体，还需要预测所包含物体的类别，以及预测框相对于锚框位置需要调整的幅度。

将原始划分为mn个区域，原始高度H=640, 宽度W=480，如果我们选择小块区域的尺寸为32×32，则m和n分别为：

m=640/32=20

n=480/32=15

将原始划分成20行15列小方块区域。

YOLOv3算法会在每个区域的中心，生成一系列锚框。

锚框的位置都是固定好的，不可能刚好跟物体边界框重合，需要在锚框的基础上进行位置的微调以生成预测框。预测框相对于锚框会有不同的中心位置和大小，采用什么方式能得到预测框呢？我们先来考虑如何生成其中心位置坐标。

比如上面图中在第10行第4列的小方块区域中心生成的一个锚框，如绿色虚线框所示。以小方格的宽度为单位长度，

那么问题来了，tx、ty、tw、th取什么值的时候，才能使得预测框和真实框重合呢？

深度学习目前已经应用到了各个领域，应用场景大体分为三类：物体识别，目标检测，自然语言处理。  目标检测可以理解为是物体识别和物体定位的综合 ，不仅仅要识别出物体属于哪个分类，更重要的是得到物体在中的具体位置。

2014年R-CNN算法被提出，基本奠定了two-stage方式在目标检测领域的应用。它的算法结构如下图

算法步骤如下：

R-CNN较传统的目标检测算法获得了50%的性能提升，在使用VGG-16模型作为物体识别模型情况下，在voc2007数据集上可以取得66%的准确率，已经算还不错的一个成绩了。其最大的问题是速度很慢，内存占用量很大，主要原因有两个

针对R-CNN的部分问题，2015年微软提出了Fast R-CNN算法，它主要优化了两个问题。

R-CNN和fast R-CNN均存在一个问题，那就是 由选择性搜索来生成候选框，这个算法很慢 。而且R-CNN中生成的2000个左右的候选框全部需要经过一次卷积神经网络，也就是需要经过2000次左右的CNN网络，这个是十分耗时的（fast R-CNN已经做了改进，只需要对整图经过一次CNN网络）。这也是导致这两个算法检测速度较慢的最主要原因。

faster R-CNN 针对这个问题， 提出了RPN网络来进行候选框的获取，从而摆脱了选择性搜索算法，也只需要一次卷积层操作，从而大大提高了识别速度 。这个算法十分复杂，我们会详细分析。它的基本结构如下图

主要分为四个步骤：

使用VGG-16卷积模型的网络结构：

卷积层采用的VGG-16模型，先将PxQ的原始，缩放裁剪为MxN的，然后经过13个conv-relu层，其中会穿插4个max-pooling层。所有的卷积的kernel都是3x3的，padding为1，stride为1。pooling层kernel为2x2, padding为0，stride为2。

MxN的，经过卷积层后，变为了(M/16) x (N/16)的feature map了。

faster R-CNN抛弃了R-CNN中的选择性搜索（selective search）方法，使用RPN层来生成候选框，能极大的提升候选框的生成速度。RPN层先经过3x3的卷积运算，然后分为两路。一路用来判断候选框是前景还是背景，它先reshape成一维向量，然后softmax来判断是前景还是背景，然后reshape恢复为二维feature map。另一路用来确定候选框的位置，通过bounding box regression实现，后面再详细讲。两路计算结束后，挑选出前景候选框（因为物体在前景中），并利用计算得到的候选框位置，得到我们感兴趣的特征子图proposal。

卷积层提取原始图像信息，得到了256个feature map，经过RPN层的3x3卷积后，仍然为256个feature map。但是每个点融合了周围3x3的空间信息。对每个feature map上的一个点，生成k个anchor（k默认为9）。anchor分为前景和背景两类（我们先不去管它具体是飞机还是汽车，只用区分它是前景还是背景即可）。anchor有[x,y,w,h]四个坐标偏移量，x,y表示中心点坐标，w和h表示宽度和高度。这样，对于feature map上的每个点，就得到了k个大小形状各不相同的选区region。

对于生成的anchors，我们首先要判断它是前景还是背景。由于感兴趣的物体位于前景中，故经过这一步之后，我们就可以舍弃背景anchors了。大部分的anchors都是属于背景，故这一步可以筛选掉很多无用的anchor，从而减少全连接层的计算量。

对于经过了3x3的卷积后得到的256个feature map，先经过1x1的卷积，变换为18个feature map。然后reshape为一维向量，经过softmax判断是前景还是背景。此处reshape的唯一作用就是让数据可以进行softmax计算。然后输出识别得到的前景anchors。

另一路用来确定候选框的位置，也就是anchors的[x,y,w,h]坐标值。如下图所示，红色代表我们当前的选区，绿色代表真实的选区。虽然我们当前的选取能够大概框选出飞机，但离绿色的真实位置和形状还是有很大差别，故需要对生成的anchors进行调整。这个过程我们称为bounding box regression。

假设红色框的坐标为[x,y,w,h], 绿色框，也就是目标框的坐标为[Gx, Gy,Gw,Gh], 我们要建立一个变换，使得[x,y,w,h]能够变为[Gx, Gy,Gw,Gh]。最简单的思路是，先做平移，使得中心点接近，然后进行缩放，使得w和h接近。如下：

我们要学习的就是dx dy dw dh这四个变换。由于是线性变换，我们可以用线性回归来建模。设定loss和优化方法后，就可以利用深度学习进行训练，并得到模型了。对于空间位置loss，我们一般采用均方差算法，而不是交叉熵（交叉熵使用在分类预测中）。优化方法可以采用自适应梯度下降算法Adam。

得到了前景anchors，并确定了他们的位置和形状后，我们就可以输出前景的特征子图proposal了。步骤如下：

1，得到前景anchors和他们的[x y w h]坐标。

2，按照anchors为前景的不同概率，从大到小排序，选取前pre_nms_topN个anchors，比如前6000个

3，剔除非常小的anchors。

4，通过NMS非极大值抑制，从anchors中找出置信度较高的。这个主要是为了解决选取交叠问题。首先计算每一个选区面积，然后根据他们在softmax中的score（也就是是否为前景的概率）进行排序，将score最大的选区放入队列中。接下来，计算其余选区与当前最大score选区的IOU（IOU为两box交集面积除以两box并集面积，它衡量了两个box之间重叠程度）。去除IOU大于设定阈值的选区。这样就解决了选区重叠问题。

5，选取前post_nms_topN个结果作为最终选区proposal进行输出，比如300个。

经过这一步之后，物体定位应该就基本结束了，剩下的就是物体识别了。

和fast R-CNN中类似，这一层主要解决之前得到的proposal大小形状各不相同，导致没法做全连接。全连接计算只能对确定的shape进行运算，故必须使proposal大小形状变为相同。通过裁剪和缩放的手段，可以解决这个问题，但会带来信息丢失和形变问题。我们使用ROI pooling可以有效的解决这个问题。

ROI pooling中，如果目标输出为MxN，则在水平和竖直方向上，将输入proposal划分为MxN份，每一份取最大值，从而得到MxN的输出特征图。

ROI Pooling层后的特征图，通过全连接层与softmax，就可以计算属于哪个具体类别，比如人，狗，飞机，并可以得到cls_prob概率向量。同时再次利用bounding box regression精细调整proposal位置，得到bbox_pred，用于回归更加精确的目标检测框。

这样就完成了faster R-CNN的整个过程了。算法还是相当复杂的，对于每个细节需要反复理解。faster R-CNN使用resNet101模型作为卷积层，在voc2012数据集上可以达到838%的准确率，超过yolo ssd和yoloV2。其最大的问题是速度偏慢，每秒只能处理5帧，达不到实时性要求。

针对于two-stage目标检测算法普遍存在的运算速度慢的缺点， yolo创造性的提出了one-stage。也就是将物体分类和物体定位在一个步骤中完成。 yolo直接在输出层回归bounding box的位置和bounding box所属类别，从而实现one-stage。通过这种方式， yolo可实现45帧每秒的运算速度，完全能满足实时性要求 （达到24帧每秒，人眼就认为是连续的）。它的网络结构如下图：

主要分为三个部分：卷积层，目标检测层，NMS筛选层。

采用Google inceptionV1网络，对应到上图中的第一个阶段，共20层。这一层主要是进行特征提取，从而提高模型泛化能力。但作者对inceptionV1进行了改造，他没有使用inception module结构，而是用一个1x1的卷积，并联一个3x3的卷积来替代。（可以认为只使用了inception module中的一个分支，应该是为了简化网络结构）

先经过4个卷积层和2个全连接层，最后生成7x7x30的输出。先经过4个卷积层的目的是为了提高模型泛化能力。yolo将一副448x448的原图分割成了7x7个网格，每个网格要预测两个bounding box的坐标(x,y,w,h)和box内包含物体的置信度confidence，以及物体属于20类别中每一类的概率（yolo的训练数据为voc2012，它是一个20分类的数据集）。所以一个网格对应的参数为（4x2+2+20) = 30。如下图

其中前一项表示有无人工标记的物体落入了网格内，如果有则为1，否则为0。第二项代表bounding box和真实标记的box之间的重合度。它等于两个box面积交集，除以面积并集。值越大则box越接近真实位置。

分类信息： yolo的目标训练集为voc2012，它是一个20分类的目标检测数据集 。常用目标检测数据集如下表：

| Name | # Images (trainval) | # Classes | Last updated |

| --------------- | ------------------- | --------- | ------------ |

| ImageNet | 450k | 200 | 2015 |

| COCO | 120K | 90 | 2014 |

| Pascal VOC | 12k | 20 | 2012 |

| Oxford-IIIT Pet | 7K | 37 | 2012 |

| KITTI Vision | 7K | 3 | |

每个网格还需要预测它属于20分类中每一个类别的概率。分类信息是针对每个网格的，而不是bounding box。故只需要20个，而不是40个。而confidence则是针对bounding box的，它只表示box内是否有物体，而不需要预测物体是20分类中的哪一个，故只需要2个参数。虽然分类信息和confidence都是概率，但表达含义完全不同。

筛选层是为了在多个结果中（多个bounding box）筛选出最合适的几个，这个方法和faster R-CNN 中基本相同。都是先过滤掉score低于阈值的box，对剩下的box进行NMS非极大值抑制，去除掉重叠度比较高的box（NMS具体算法可以回顾上面faster R-CNN小节）。这样就得到了最终的最合适的几个box和他们的类别。

yolo的损失函数包含三部分，位置误差，confidence误差，分类误差。具体公式如下：

误差均采用了均方差算法，其实我认为，位置误差应该采用均方差算法，而分类误差应该采用交叉熵。由于物体位置只有4个参数，而类别有20个参数，他们的累加和不同。如果赋予相同的权重，显然不合理。故yolo中位置误差权重为5，类别误差权重为1。由于我们不是特别关心不包含物体的bounding box，故赋予不包含物体的box的置信度confidence误差的权重为05，包含物体的权重则为1。

Faster R-CNN准确率mAP较高，漏检率recall较低，但速度较慢。而yolo则相反，速度快，但准确率和漏检率不尽人意。SSD综合了他们的优缺点，对输入300x300的图像，在voc2007数据集上test，能够达到58 帧每秒( Titan X 的 GPU )，721%的mAP。

SSD网络结构如下图：

和yolo一样，也分为三部分：卷积层，目标检测层和NMS筛选层

SSD论文采用了VGG16的基础网络，其实这也是几乎所有目标检测神经网络的惯用方法。先用一个CNN网络来提取特征，然后再进行后续的目标定位和目标分类识别。

这一层由5个卷积层和一个平均池化层组成。去掉了最后的全连接层。SSD认为目标检测中的物体，只与周围信息相关，它的感受野不是全局的，故没必要也不应该做全连接。SSD的特点如下。

每一个卷积层，都会输出不同大小感受野的feature map。在这些不同尺度的feature map上，进行目标位置和类别的训练和预测，从而达到 多尺度检测 的目的，可以克服yolo对于宽高比不常见的物体，识别准确率较低的问题。而yolo中，只在最后一个卷积层上做目标位置和类别的训练和预测。这是SSD相对于yolo能提高准确率的一个关键所在。

如上所示，在每个卷积层上都会进行目标检测和分类，最后由NMS进行筛选，输出最终的结果。多尺度feature map上做目标检测，就相当于多了很多宽高比例的bounding box，可以大大提高泛化能力。

和faster R-CNN相似，SSD也提出了anchor的概念。卷积输出的feature map，每个点对应为原图的一个区域的中心点。以这个点为中心，构造出6个宽高比例不同，大小不同的anchor（SSD中称为default box）。每个anchor对应4个位置参数(x,y,w,h)和21个类别概率（voc训练集为20分类问题，在加上anchor是否为背景，共21分类）。如下图所示：

另外，在训练阶段，SSD将正负样本比例定位1：3。训练集给定了输入图像以及每个物体的真实区域（ground true box），将default box和真实box最接近的选为正样本。然后在剩下的default box中选择任意一个与真实box IOU大于05的，作为正样本。而其他的则作为负样本。由于绝大部分的box为负样本，会导致正负失衡，故根据每个box类别概率排序，使正负比例保持在1：3。SSD认为这个策略提高了4%的准确率

另外，SSD采用了数据增强。生成与目标物体真实box间IOU为01 03 05 07 09的patch，随机选取这些patch参与训练，并对他们进行随机水平翻转等操作。SSD认为这个策略提高了88%的准确率。

和yolo的筛选层基本一致，同样先过滤掉类别概率低于阈值的default box，再采用NMS非极大值抑制，筛掉重叠度较高的。只不过SSD综合了各个不同feature map上的目标检测输出的default box。

SSD基本已经可以满足我们手机端上实时物体检测需求了，TensorFlow在Android上的目标检测官方模型ssd_mobilenet_v1_android_exportpb，就是通过SSD算法实现的。它的基础卷积网络采用的是mobileNet，适合在终端上部署和运行。

针对yolo准确率不高，容易漏检，对长宽比不常见物体效果差等问题，结合SSD的特点，提出了yoloV2。它主要还是采用了yolo的网络结构，在其基础上做了一些优化和改进，如下

网络采用DarkNet-19：19层，里面包含了大量3x3卷积，同时借鉴inceptionV1，加入1x1卷积核全局平均池化层。结构如下

yolo和yoloV2只能识别20类物体，为了优化这个问题，提出了yolo9000，可以识别9000类物体。它在yoloV2基础上，进行了imageNet和coco的联合训练。这种方式充分利用imageNet可以识别1000类物体和coco可以进行目标位置检测的优点。当使用imageNet训练时，只更新物体分类相关的参数。而使用coco时，则更新全部所有参数。

YOLOv3可以说出来直接吊打一切图像检测算法。比同期的DSSD(反卷积SSD), FPN（feature pyramid networks）准确率更高或相仿，速度是其1/3。

YOLOv3的改动主要有如下几点：

不过如果要求更精准的预测边框，采用COCO AP做评估标准的话，YOLO3在精确率上的表现就弱了一些。如下图所示。

当前目标检测模型算法也是层出不穷。在two-stage领域， 2017年Facebook提出了mask R-CNN 。CMU也提出了A-Fast-RCNN 算法，将对抗学习引入到目标检测领域。Face++也提出了Light-Head R-CNN，主要探讨了 R-CNN 如何在物体检测中平衡精确度和速度。

one-stage领域也是百花齐放，2017年首尔大学提出 R-SSD 算法，主要解决小尺寸物体检测效果差的问题。清华大学提出了 RON 算法，结合 two stage 名的方法和 one stage 方法的优势，更加关注多尺度对象定位和负空间样本挖掘问题。

目标检测领域的深度学习算法，需要进行目标定位和物体识别，算法相对来说还是很复杂的。当前各种新算法也是层不出穷，但模型之间有很强的延续性，大部分模型算法都是借鉴了前人的思想，站在巨人的肩膀上。我们需要知道经典模型的特点，这些tricks是为了解决什么问题，以及为什么解决了这些问题。这样才能举一反三，万变不离其宗。综合下来，目标检测领域主要的难点如下：

一文读懂目标检测AI算法：R-CNN，faster R-CNN，yolo，SSD，yoloV2

从YOLOv1到v3的进化之路

SSD-Tensorflow超详细解析一：加载模型对进行测试  https://blogcsdnnet/k87974/article/details/80606407

YOLO    https://pjreddiecom/darknet/yolo/      https://githubcom/pjreddie/darknet   

C#项目参考：https://githubcom/AlturosDestinations/AlturosYolo

项目实践贴个图。