Yolo系列学习（一）

1、将回归和分类放到阶段。两阶段网络都是将分类和回归分为两部分。

2、Yolo 2016年出现。

        将目标检测任务当做一个回归问题，针对bx做回归，回归出类别的概率。

使用独立的神经网络预测bx的位置和类别概率。（regeression problem）,一次迭代出全部结果。（bx本来就是一个回归问题，左上角右下角坐标，类别概率也当做回归问题）

        假正例：模型认为是正例，但判断错误，例如：“人脸识别，应该在正确的人脸位置打框，但网络预测出结果在鞋上打了个框”。（Faster R-CNN容易出现这种结果，但yolo检测精度低，就可以避免这种情况）

        召回率：尽可能是object的都能找出来。

        准确率：只要找出的就一定是找准的。

 Yolo :Yolo在训练和测试时会直接将类别的上下文（与某个类别相关的信息）已经学到了。Yolo是观看整张图像是个全部信息，Faster R-CNN存在感受野故会出现假正例额情况，因为他无法学到完整的图像。

        缺点：对小目标物体检测效果差；精度低。

3、我们的网络是从整张图上预测每一个bx以及对应的类别概率。

 把图像切为7×7的网格，每一个网格负责预测一个物体。蓝：小狗，黄：自行车。（v1中同一个类别有多个类，无法预测）每一个cell单元预测两个bx（论文中给定）（预测一对x,y,w,h，一堆confidence score），本文中的cell可以类比R-CNN系列的anchor。faster r-cnn中bx是基于anchor做矫正，yolo的bx是直接预测坐标（在图片里的坐标不基于任何东西，Bx框没有先验知识）。conficence score:反馈出模型认为该框包含物体的概率大小，反映出来这个框是物体的准确率有多大。（代表的是GT和bx的iou的大小）

 当物体出现的概率为1时，置信度表示gt和bx的IOU。

 yolo v1中的（x,y）偏移是对应每一个cell的单元（左上角）相对位置偏移，而不是原图，（w,h）是相对于整张图像的。回归器还要预测，该cell包含物体的情况，他分别是每一类的概率是多大，只预测一组类别概率，而不管多个BX的个数.(说明该框只会预测一种类别，所有的bx都属于同一类)

         these predictions are encoded as an 个tensor。

 4、在test过程中： 

（上式结果，蓝色部分是一个bx是物体的置信度大小；同理，结果就是一个bx是第i个类别的置信度大小）

 Yolo 正向传播给出结果后，会将结果进行相乘，对每一个bx来说，最后会获得他是某个类别的概率*IOU的分值，获得bx的位置信息，最后可以根据坐标信息、概率值去对结果进行NMS,得到最后结果。

5、训练过程：回归器定义了coinfidence score是，需要让回归器学习该值的规律，当预测时学习出的数值就表示该含义。得去训练。训练过程通过pred和gt进行计算IOU;设定一个阈值筛选，（根据设定阈值就可以直接指导Pr(object)是0还是1）通过反复迭代训练，直到模型收敛，预测过程中可以直接应用该模型，直接给出置信度。

        设计训练就是学习confidence score.

6、 

         多次卷积、池化，最后接两个全连接层。（全连接是将所有都连在一起，才能将多个局部特征融合在一起，一定会破坏感受野），全连接可以使用GAP Pooling替换。（预训练：可以将卷积部分当作一个分类任务，在ImageNet上进行预训练）

 7、Loss:(数据做归一化：是因为好收敛)

        在我们预测的过程中，很多cell不会包含物体，他的confidence score为0，使得梯度会较大，收敛过快。

Yolo是不管有没有物体都会回归坐标，但只有是正例，即包含物体的时候，回归才有意义。预测坐标的权重应该更大一点，不包含物体只会受到其中某几项影响，包含物体会受到全部影响。

 因为图像正负样本数量不平衡，所以为了使回归预测坐标过程与给出概率的过程同样重要，即加权。

 包不包含物体是通过置信度看出来的。（不包含物体，P(object)=0,包含物体，confidence score = IOU）