论文笔记之YOLO

1. YOLO

1.1介绍

You Only Look Once，顾名思义，你只需要看一次就知道这个图中的object，这也符合人眼的逻辑。YOLO将物体检测直接当做一个回归问题来处理，直接通过神经网络，输入图片，输出object的边界框坐标以及类别。YOLO的特点是速度非常快，精度不太高。

1.2 总体流程

1）将图像resize到固定大小作为神经网络的输入
2）深度神经网络处理后输出框坐标、box中包含物体的置信度以及类概率
3）NMS后输出最终的检测框

1.3 网络结构

YOLO检测网络包括24个卷积层和2个全连接层,如图所示：

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。
YOLO网络借鉴了GoogLeNet分类网络结构。不同的是，YOLO未使用inception module，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。

1.4 检测模型

YOLO是将输入图像划分为S×S个小网格。如果物体的中心落入网格单元，则该网格单元负责检测该物体。每个网格单元预测边界框和这些框的置信度得分。 这些置信度得分反映了box中包含一个物体的可能性，以及模型认为box预测的准确性。 形式上，将置信度定义为Pr（Object）* IOU（truth ，pred）。 如果该单元格中没有物体，则置信度分数应为零。 否则，置信度分数等于预测框与真实框之间的交并比（IOU）。

每个边界框由5个预测组成：x，y，w，h和置信度。（x，y）坐标表示框相对于网格单元边界的中心。 w和h是相对于整个图像预测的宽度和高度。 最后，置信度预测表示预测框与任何真实框之间的IOU。

每个网格单元还预测C个条件类概率Pr（Classi|Object）。 这些概率以包含目标的网格单元为条件。 无论框的数量如何，仅预测每个网格单元的一组类概率。

在测试时，将类概率与各个框的置信度预测相乘，这提供了每个框的特定类的置信度得分 。 这些分数既编码了该类别出现在box中的概率，也代表了预测的box符合这个物体的程度。

1.5 Loss函数

其中，表示目标是否出现在单元格i中，表示单元格i中的第j个边界框预测器对该预测负责。

前两行为坐标损失（只对这个网格单元中任何和真实值有最高的IOU的预测框计算）；后两行为置信度损失（对所有网格计算），最后一行为分类损失（只对存在object的网格单元计算）

1.6 不足之处

• YOLO对边界框预测施加了很强的约束（每个网格单元只能预测两个框，并且只能有一个类）。这个约束限制了模型可以预测的邻近目标的数量，所以模型对于成群出现的小物体表现不好，例如成群的鸟。
• 由于模型从数据中学习预测边界框，所以它很难推广到新的或不寻常的宽高比的物体。
• 损失函数对待小边界框和大边界框中的误差是一样的。大box里的小错误通常是良性的，但小box里的小错误对IOU的影响要大得多。错误主要来源于定位错误。