YOLO以及YOLOv2综述以及对比

YOLO及YOLOv2综述

最近在阅读yolo系列的文章，以下将对yolo以及yolov2做个综述

YOLO

YOLO核心思想：从R-CNN到Fast R-CNN一直采用的思路是proposal+分类 （proposal 提供位置信息， 分类提供类别信息）精度已经很高，但是速度还不行。 YOLO提供了另一种更为直接的思路： 直接在输出层回归bounding box的位置和bounding box所属的类别(整张图作为网络的输入，把 Object Detection 的问题转化成一个 Regression 问题)。

先复习一下faster-rcnn中的proposal+分类的过程：

首先是常规的conv layers操作：conv+relu+pooling层，生成的feature maps是共享的，一路经过RPN生成proposal，一路到ROIPooling层，结合proposal进入全连接层。全连接层有两路输出，一个为bbox的第二次回归结果，一个是被预测的bbox中物体的分类。

YOLO的主要特点

• 速度快
• 使用全图作为环境信息，把背景错认为物体的错误比较少。
• 泛化能力强

大致流程

• Resize成448*448，图片分割成7*7的cell

• CNN提取特征和预测： 卷积负责提取特征，全连接层负责预测。（和faster-rcnn有些不同：RPN中卷积层后输出anchor，每个anchor都有4个用于回归的变换量）

• bbox的坐标：xywh

• 是否有物体的confidence

• 预测物体的概率

• 筛除bbox（nms）

网络结构

（模型中采用1x1的卷积层减少运算量）
模型最后输出7x7x30的张量，可以看到输出的channel为30。在一个cell中，前20是类别概率值，然后是两个边界框的confidence，最后八个是两个边界框的(x,y,w,h)。由此可以看出，一个cell预测两个bbox，一个预测值包含confidence和(x,y,w,h)。这两个predictor只能预测同一个目标。所以，一个cell无法预测多个目标。

• 为何一个cell不能预测多个目标呢：

  两个predictor不知道自己该负责那个目标。

• 为何要有两个predictor呢：

  在训练的时候会在线地计算每个predictor预测的bounding box和ground truth的IOU，计算出来的IOU大的那个predictor负责预测这个物体，另外一个则不预测。这样做的话，实际上有两个predictor来一起进行预测，然后网络会在线选择预测得好的那个predictor（也就是IOU大&