【目标检测】[论文阅读][yolo] You Only Look Once: Unified, Real-Time Object Detection

本文链接：https://blog.csdn.net/dataningwei/article/details/78077373

论文名称《You Only Look Once: Unified, Real-Time Object Detection》

摘要

1、之前的目标检测方法采用目标分类思想解决检测问题，本文提出一个基于回归的框架，用于目标的定位及识别。
2、一个网络，一次预测即可获得目标的检测框（bounding boxs）和 类别概率。
3、所提目标检测框架运算速度非常快。基本YOLO 模型45帧/S。简化版本Fast YOLO模型可达到155F/s.
4、相比其他检测器，yolo定位误差较大，但是flase positive 较少。
5、YOLO泛化能力较高。

１、引言

1、现有目标检测框架典型的有滑窗检测（如 DPM算法）和Region proposal方式（如 RCNN）。
2、YOLO将目标检测是为回归问题。通过像素值直接预测bboxes和类别概率。
3、YOLO通过全图训练网络，并优化检测器性能，该方式有如下优势：
　1）YOLO fast.因为基于回归的框架简单，不需要额外复杂流程
　2）YOLO 检测目标时，利用全图信息。与滑窗和基于候选框的检测技术不同，ＹＯＬＯ在训练及检测的时候不仅利用目标特征还学习上下文信息。Ｆａｓｔｅｒ　ＲＣＮＮ产生虚警的愿意是没用利用上下文信息。
　３）ＹＯＬＯ学习泛化的目标信息。
在精度上相差很多。

２、统一的检测器

2.1网络设计：特征提取层+额外分类检测层

受GoogleLetnet 网络设计启发。（脑补一下：googleLenet共22层，考虑pooling 层，共27层。后接平均池化层，并送入分类器）GoogleLetNet链接
YOLO网络设计共24层卷积层，后接2层全链接层。
预训练对前20层进行分类训练（参考GoogleNet ,修改 *1、*3组合）。后面4个卷积层和2个全链接层用于检测。预训练图像尺寸用224*224（imageNet 图像集）
检测图像输入尺寸变尺寸至448*448。

2.2 关键点设计

将输入图像分为 $Ｓ*Ｓ$ 个grid cell，目标中心所在的 cell，负责对此目标的检测及识别。
每个cell预测B个 bboxes和相应的置信度 $confidence=Pr(object)*IOU^{truth}_{pred}$ 。如果没目标 $Pr(object)=0$ ,confidence为0，有目标 $Pr(object)=1$ ,则confidence为IOU值。（预测阶段咋整？）
每个bboxes 包含5个参数： $x,y,w,h$ 和置信度 $confidence$ 。其中 $(x,y)$ 坐标代表所检测目标的中心点，该值是相对于grid cell的边缘，因此取值范围【0，1】。 $w,h$ 相对于整个图像尺寸，取值范围【0，1】。
目标。

2.3 训练

从网络图可以看出，448图像输入，经过6次pooling，图像大小变为 448/2^6=448/64=7
网格设置S=7是否与最终输出的featureMap大小有关？
输出大小为7*7*（2*5+20）=7*7*30=1470，每一个点都是前一层向量回归而来（全链接，内积计算预测）。
训练误差采用均方差。考虑存在目标的（坐标预测误差、置信度误差、类别误差）+不是目标的置信度。
训练中的误差函数如下，加重有目标的位置比重 $\lambda_{coord}=5$ ,不是目标的置信度 $\lambda_{noobj}=0.5$ 。