YOLO 物体检测

YouOnly Look Once:

Unified,Real-Time Object Detection

YOLO（You only look once）：将物体检测重新绘制作为一个简单的回归问题，直接从图像像素生成bounding box的坐标和类的预测。Using our system, you only look once at an image to predict whatobjects are present and where they are.

YOLO: 一个简单的卷积网络，同时预测多个boundingboxes和这些boxes所属的类。

YOLO trains on full images and directlyoptimizes detection performance.

YOLO在准确性方面仍落后于最先进的检测系统。 虽然它可以快速识别图像中的物体，但它正努力精确定位某些物体，尤其是小物体。我们在实验中进一步检查了这些折衷。

YOLO使用整幅图像的特征去预测每个boundingbox，并且同时它也预测图像中所有bounding boxes中所有类别。

YOLO将图像划分成S*S的网格，每个网格预测B个boundingboxes和boxes的confidence scores。这个confidence scores反映出box包含物体的自信和box被预测的精度，confidence的定义为Pr（Object）*IOU，如果bounding box内没有object则confidence等于0，否则，让confidence等于IOU。每个bounding box包括5个预测参数，(x,y,w,h,confidence)。此外，每个网格也能预测C个类的条件概率（条件是网格内包含一个物体）。每个网格给出一个类概率。由此，YOLO将生成S*S*(B*5+C)个张量，其中将B个bounding boxes的预测过程也加到了训练过程中。不用像silding window类型的Deformable parts models(DPB)和R_CNN类型通过RPN生成anchors，从而加快了网络的训练速度。

YOLO在训练的过程中，同样需要预训练模型，使用ImageNet数据集。在训练中的激活函数是一个leaky Relu.目标函数是对预测到的x,y,w,h,C与groud truth中x,y,w,h,C欧氏距离（平方和误差）的优化。尽管该优化目标实现较为简单，但是不能符合最大平均精度的目标，并且分类错误与定位错误的权重是等效的，从而会导致模型的不稳定。为了解决这个问题，文中增加bounding box loss和减少confidence预测loss。此外，对大box和小box也给出了权值的平衡。

其中，惩罚项包括两个，一个是classification error(物体在网格内的)，另一个是bounding box coordinate error(选取有最大IOU的网格，预测的网格与真实的网格重叠面积最大)

由于YOLO从数据中预测边界框且预测边界框的特征较为粗糙。此外，分块对空间特征的约束，以及损失函数中对large bounding boxes 和small bounding boxes具有相同的loss，但是往往小的边界框对模型的影响更大。因此，YOLO是有限的检测模型。