论文(1) YOLO v1

YOLO v1

@(目标检测)

论文地址：https://arxiv.org/abs/1506.02640

网络结构

Yolo网络由24个卷积层和2层全连接层构成，其中，卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值。全连接层之后，会将原来的一维的tensor resize成SxSx(Bx5+C)的三维tensor。

YOLO网络借鉴了GoogLeNet分类网络结构。不同的是，YOLO未使用inception
module$^{[1]}$，而是使用1x1卷积层（此处1x1卷积层的存在是为了跨通道信息整合）+3x3卷积层简单替代。

YOLO将输入图像分成SxS个grid，每个grid负责检测”落入”该grid的物体(“落入”，或者“包含”，其含义是指物体的中心坐标在这个grid里面)。若某个物体的中心位置的坐标落入到某个grid，那么这个grid就负责检测出这个物体。

图中物体狗的中心点（红色原点）落入第5行、第2列的grid内，所以这个grid负责预测图像中的物体狗。

每个grid输出B个bounding box（包含物体的矩形区域）信息，以及C个物体属于某种类别的概率信息。

bounding box包含：x, y, w, h, confidence

x,y: 当前所预测的bounding box中心位置的坐标（Train中则为预测的bounding box的中心与栅格边界的相对值）
w,h: 当前所预测的bounding box的宽度和高度(Train中则为预测的bounding box的w,h相对于整幅图像w,h的比例)
confidence: P(obj) * IoU$^{[2]}$,P(obj)表示所预测的bounding box包含物体的概率，若包含，则P(obj)=1,反之P(obj)=0。

C个物体属于某种类别的概率信息：P(class)/P(obj)， VOC数据集C=20。

在B个bounding box中，对于每一个bounding box，其具体类别的$confidence\ score = P(class)/P(obj) * confidence = P(class) * IoU$

Loss

YOLO的loss构成比较复杂，分为三个部分，并且对于每个部分，YOLO考虑了该部分的贡献程度，所以还加上了各种权重系数$\lambda$。

$$\begin{align} loss = \sum_{i=0}^{s^2}coordErr + IoUErr + clsErr \notag \end{align}$$

第一部分是计算关于检测框坐标的loss

∑i=0s2coordErr=λcoord∑i=0s2∑j=0B