目标检测Yolo系列

Yolo_v1：You Only Look Once: Unified, Real-Time Object Detection

一、概述

yolo_v1是one stage目标检测算法，将原始图片平均分为S*S个网格（grid），基于基网络提取的最高层特征使用两个全连接层对每个grid预测物体框bounding box的位置及包含每个物体类别得分。在论文中将原始图片分割为7*7个grid，对图像中每个物体，如果其中心点落在某一grid中，则训练阶段该grid负责预测该目标。每个grid预测B个（文中B=2）bounding box，每个bounding box由5个值描述：中心点坐标（x,y）、框宽w、框高h、包含物体置信度得分。不同于其他网络的anchor box，这些bounding box值由最后一层全连接层直接得到预测值。设总共物体类别数为C，对每个grid预测C个类别的置信度得分。

因此对yolo_v1，总的bounding box数量为7*7*2 = 98个，网络的输出为7*7*(C+5×2)。

二、网络结构

基网络共24层卷积加2个全连接网络。先使用224×224的输入图片训练前20层卷积网络，再使用448×448检测数据训练整个网络。

三、损失函数

使用平方误差损失，因为易于训练。总的损失函数是多任务损失加权和。

四、优缺点

缺点：

1、yolo_v1由于只预测98个bounding box，且对每个grid只预测一个类别目标。这样的设置对密集目标或者小目标检测效果不好。

2、只用最高层的特征预测目标类别及bounding box位置，因此检测框位置不够准确。由于基网络中多个下采样层导致很多具体位置信息丢失；另外，损失函数中小bounding box和大bounding box回归损失权重一致，而理想上小bounding box应有更多权重。

3、泛化性不好。

优点：速度快！！

五、实验结果