YOLO介绍:(You Only Look Once)
典型的one-stage网络。是在2016年CVPR发表的一篇论文,对于yolov1而言,在图像大小为448*448推理,可以达到45FPS,它在pascal voc 2007测试数据集上,可以达到63.4mAP(明显弱于SSD网络,非常不理想)。
YOLO论文思想:
一般将图像分为7*7等份,如最左边的图像,在训练之前,会先对狗进行人工标注(Bounding box),如果狗这个目标的中心落在一个网格中,那么该网格就进行狗这个目标的预测。
一般每个网格预测2个bounding box,对于每个bounding box,需要预测5个值,其中4个值是位置参数(x,y,w,h),还有一个为confidence。以及每个网格需要预测C个类别的分数。
比如:对于PASCAL VOC数据集(类别为20),S=7,B=2,C=20,最后的预测参数为:7*7*(20+5*2)。如下图所示:
在这里解释一下confidence:在原论文中,confidence为
。右边部分是预测目标和真实目标的IOU值;左边部分,当网格中确实是存在目标则为1,此时confidence为IOU值,当不是目标则为0,此时confidence为0。
在最终预测的时候,对于每一个目标的最终概率:the conditional class probability(预测的C个类别分数) * confidence。公式如下:
YOLO网络结构: