人类在观察一张图像时，对于图像中的物体通常可以秒辨认并定位，完全不用太多的思考。因此目标检测的要求不仅要准，而且要快。而在YOLO出现之前，RCNN系列是目标检测中最精准的算法，虽然faster rcnn比最初始的RCNN快了很多，但其速度也只有7fps。究其原因是RCNN系列将 Proposal 的选取和选定 Proposal 后的分类和回归分作两个stage，就算用 RPN 网络取代 selective search，仍然是两个stage，因此导致了检测的缓慢。
YOLO算是one stage的开山之作，虽然精度不及当时的Faster RCNN，但他的检测速度达到Faster RCNN的6-7倍，此外还有更小更快的网络 Fast YOLO，速度更是达到了Faster RCNN 的22倍。而精度方面，YOLO 的 mAP 虽不及 Faster RCNN，但相差的可以接受。
one stage意味着候选框的选定，分类和回归都是在一个CNN中，实现了端到端的训练。
如上图所示，YOLO将一张自然图像分割为7*7的grid cell，每一个grid负责预测两个bounding box，每一个bounding box对应五个值：x, y, w, h和置信度。其中 (x, y) 表示bounding box 的坐标中心相对于所处的grid cell的左上角的偏置； (w, h)表示候选框的长和宽与整个图像长和宽的比值，这样坐标和长宽四个参数都可以做到归一化（归一化的目的是为了防止计算loss时数值较大的参数产生的梯度覆盖掉较小参数的影响）；置信度表示该bbox中包含目标物体的信任度，可以用
P
r
(
O
b
j
e
c
t
)
∗
I
O
U
p
r
e
d
t
r
u
t
h
Pr(Object)*IOU_{pred}^{truth}
Pr(Object)∗IOUpredtruth 来计算，第一项表示bbox中包含物体的可能性，如果候选框中没有任何物体，那么他的值为0，整个置信度也为0；如果有物体，那么置信度就和bbox和GT的IOU相等。
一个grid cell除了预测两个bbox，还需要预测这里面包含的物体类别，原文中采用PASCAL VOC数据集，因此总共20个类别。值得注意的是，一个grid cell只做一次类别预测，尽管里面有两个bbox，但相当于这两个bbox预测某一类物体，这里其实也是YOLO的一个不足之处。这里可能会疑惑，既然预测同一类物体，为何要用两个box，一个不就够了吗？我的想法是，这相当于让两个人去做同一项任务，这两个之间必然有一个做的更好，用在这里应该也是一样的，在两个框中取IOU或置信度更高的那个。
此外还有一个 20 维的类别向量。训练阶段只需要判断物体的中心是否在box中，如果在的话给这一维度的值打上 1 的标签即可；而在测试阶段，需要在这个预测值的基础上乘置信度，对应论文中的 P r ( C l a s s i ∣ O b j e c t ) P r ( O b j e c t ) ∗ I O U p r e d t r u t h Pr(Class_{i}|Object)Pr(Object)*IOU_{pred}^{truth} Pr(Classi∣Object)Pr(Object)∗IOUpredtruth，前一项是预测的每个类别的概率，后两项乘积为置信度，这是为了防止 P r ( C l a s s i ∣ O b j e c t ) Pr(Class_{i}|Object) Pr(Classi∣Object)很大，而置信度接近 0 的情况，这种情况也不能认定bbox中有那个预测概率很大的物体。
因此整个网络的输出为
7
∗
7
∗
(
2
∗
5
+
20
)
=
7
∗
7
∗
30
7*7*(2*5+20)=7*7*30
7∗7∗(2∗5+20)=7∗7∗30。网络的模型结构如下：
网络模型受到GoogleNet启发，不过并没有用Inception模块，而是用
1
∗
1
1*1
1∗1后接
3
∗
3
3*3
3∗3卷积的操作以减少模型参数，最后一层采用线性激活函数，其他层采用Leaky Relu。
模型输入为 448 ∗ 448 448*448 448∗448的三通道图像，经历了若干卷积池化层以后，得到的输出为 7 ∗ 7 ∗ 30 7*7*30 7∗7∗30的向量，与上文相对应。
整个模型训练时的损失函数如下：
其中
λ
c
o
o
r
d
\lambda_{coord}
λcoord和
λ
n
o
o
b
j
\lambda_{noobj}
λnoobj是为了平衡数量级用的调节参数，如果不加这个参数，可能导致有些项的数值和梯度太大，覆盖了其他较小项的影响；
1
i
j
o
b
j
1_{ij}^{obj}
1ijobj表示的是第i个cell的第j个bbox包不包括物体，如果包括则该值为1，需要考虑坐标、置信度和类别的因素；如果不包括，则该值为0，而
1
i
j
n
o
o
b
j
1_{ij}^{noobj}
1ijnoobj为1，这时只需要考虑第四行的置信度项即可。
还有一点是为什么这里的w和h都带根号？这是因为对于较大的框，些许的坐标误差影响不是太大；而较小的框更加敏感，些许的误差带来的影响可能会比较大。我的理解是，加上根号相当于自身是一个二阶导不断减小的增函数，因此在w和h较大的部分的平均变化率要更小。举个例子现在有两个预测box对应的的 w 1 , w 2 w_{1},w_{2} w1,w2，其中 w 1 < w 2 w_{1}<w_{2} w1<w2，所以第一个box的敏感程度更高，假设这两个box都对应一个GT，GT的宽度表示为w（w刚好等于二分之一的 w 1 + w 2 w_{1}+w_{2} w1+w2），那此时 ∣ w 1 − w ∣ |\sqrt w_{1}-\sqrt w| ∣w1−w∣比 ∣ w 2 − w ∣ |\sqrt w_{2}-\sqrt w| ∣w2−w∣更大，loss惩罚在小候选框上更加严厉。
我们发现，损失函数的每一项都是L2 Loss，并且对于分类问题也是如此，因此YOLO将分类问题转化为了回归问题。
3712
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
