目标检测之YOLO V1

前面介绍的R-CNN系的目标检测采用的思路是：首先在图像上提取一系列的候选区域，然后将候选区域输入到网络中修正候选区域的边框以定位目标，对候选区域进行分类以识别。虽然，在Faster R-CNN中利用RPN网络将候选区域的提取以放到了CNN中，实现了end-to-end的训练，但是其本质上仍然是提取先提取候选区域，然后对候选区域识别，修正候选区域的边框位置。这称为tow-stage的方法，虽然在精度已经很高了，但是其速度却不是很好。造成速度不好的主要原因就是候选区域的提取，这就需要一种网络能够直接预测出图像中目标的位置，中间不需要候选区域的计算，这就是one-stage。

YOLO系就是one-stage目标检测的一种，其全名You only look once很形象，只需要将图片输入到网络中就预测中其中目标的bounding box以及bounding box所属的类别。相比R-CNN，YOLO损失了一定的精度，但是其有点就是速度快。

YOLO V1

YOLO V1将目标检测定义为一个回归问题，从图像像素信息直接得到目标的边框以及所属类别的概率，其有以下的优点：

• 快。其整个网络结构就是解决回归问题，很快。
• 在做predict的时候，使用的一整张图像的全局信息。two-stage的方法，每次只是“看到”图像的一块区域，YOLO 一次“看”一整张图像，所以它可以将目标整个的外观信息以及类别进行编码，目前最快最好的Fast R-CNN，较容易误将图像中的 background patches （背景的一个小块）看成是物体，因为它看的范围比较小。YOLO 的 background errors（背景错误） 比 Fast R-CNN 少一半多。
• YOLO得到的目标的特征表示更容易泛化

YOLO 和R-CNN性能的对比

YOLO的也有一定的缺点，其准确度落后于Faster R-CNN，并且由于其使用比较粗糙的网格来划分原图，导致其对小目标的检测效果不是很好。

主要思路

相对于R-CNN系首先从原图中计算出一系列的候选区域，YOLO则使用简单的方法，首先将图像划分为$S\times S$（论文中$S=7$）的网格，如果某个目标的中心位于一个grid cell中，则该grid cell就负责检测这个目标。

在YOLO网络中，目标的坐标信息是通过相对于某个grid cell左上角的偏移来表示的，目标的宽和高是用原图的宽和高占比表示的。 这就是这里为什么会说，如果某个目标的中心位于一个grid cell中，则该grid cell就负责检测这个目标，在做边框回归的时候，其GT就是该grid cell。

上面提到如果某个目标的中心位于一个grid cell中，则该grid cell就负责检测这个目标，也就是说在YOLO中，grid cell设计为可以代表目标，在网络中也是针对grid cell进行处理的。 在每个grid cell中预测出来$B$($B=2$个bounding box，而且要为每个预测出来的bounding box打个分数，来表示该bounding box是否包含目标以及该bbox作为目标边框的可信度，这个分数称为Confidence。Confidence 的定义如下：
$$Confidence=Pr(object)\cdot Io{U}_{pred}^{truth}$$
其中，$Pr(object)$为bbox包含目标的概率（bbox存在目标则$Pr(object) =1 $，不存在目标则$Pr(object) = 0$；$IoU_{pred}^{truth}$表示预测出来的bbox和Ground Truth之间的IoU。 也就是说，如果bbox不含目标则其confidence = 0,包含目标的话Confidence就是bbox和Ground Truth之间的IoU。

这样，通过每个grid cell预测出来的bbox可由一个五元组表示$(x,y,w,h,Confidence)$，其中$(x,y)$表示bbox的中心相对该grid cell左上角的偏移量，使用grid cell的长宽为比例，将其值归一化到$[0,1]$之间；$(w,h)$为bbox的宽度和长度，以图像的宽度和长度归一化到$[0,1]$之间；$C$就是上面提到的Confidence，其值也是在$[0,1]$之间。 这样每个bbox可以使用五元组$(x,y,w,h,Confidence)$表示，并且其值都是在$[0,1]$之间。

以grid cell为准预测出来的bbox表示了目标的边框信息，并不能判断出来其中包含的目标是属于哪一个类。所以YOLO网络还为每一个grid cell预测出$C$个conditional class probability（条件类别概率）：
$$P(clas{s}_i|object)$$
即在一个grid cell中有一个Object的前提下，它属于某个类的概率。只为每个grid cell预测一组类概率，而不考虑框的数量。

类别概率$P(clas{s}_i|object)$是对于某个grid cell的，表示该grid cell能够预测一个目标的条件下，其目标的属于某个类的概率；而bbox的confidence表示的是，包含目标的可行性。 将这两个值相乘，就可以得到bbox中包含的目标的的类别的概率了。
所以在测试阶段，将grid cell的$P(clas{s}_i|object)$和以该grid cell为准预测出来bbox的confidence相乘
P ( c l