yolo原理

Yolo 目标检测学习笔记

1.Yolo思想

Yolo框架主要用于目标检测，与其他目标检测框架相比（R-CNN,FAST-RCNN,FASTER-RCNN），Yolo将多个训练步骤集成在一起，从而缩短网络推理的时间开销。

首先，与其他框架依靠region proposal来检测目标不同，Yolo将整个图像作为输入，经过网络后将图像划分为S*S的格网。所谓格网就是最后层特征图，该特征图中的一个像素对应原始输入raw_input/S大小的区域。

 

对于格网中的每一个格网元，都要预测B个bounding box和一个置信度得分。每个bounding box包含5个具体要预测的值，分别为（x，y，w，h，confidence）。其中x和y是bounding box的真实x相对于格网的坐标的偏移值，y同理，其公式如下：

X = bounding box 的真实X / （图像宽度/S）- grid cell的X坐标

Y = bounding box 的真实Y / （图像高度/S）- grid cell的Y坐标

w和h是相对原始图像w和h的转换后的值：

W = bounding box的真实W / 原始图像的W

H = bounding box的真实H / 原始图像的H

这样做的目的是将预测归一化到0-1之间，有利于网络的回归。

同时，每个grid cell还要负责预测每个Bounding Box的置信度，该置信度表示该预测的bounding box是否包含了一个对象以及它包含的有多准。

Bounding box的置信度计算如下：

 

该公式为目标在该bounding box中的概率乘以预测bounding box 和真实bounding box的IOU。

最后，每个grid cell输出其与类别相关的条件概率，该条件概率表示该grid cell中包含的物体属于具体某一个类的概率。

在测试阶段，将类别条件概率和每个bounding box的置信度相乘得到每个bounding box和类别相关的置信度。

 

因此，对于一个S*S的个格网，网络会输出S*S*（5*B+C）个预测值。在论文中，作者使用PASCAL VOC数据集，该数据集共20个类，S设定为7，B设定为2，因此网络最后的输出为7*7（5*2+20）---->

7*7*30维的输出。

2.网络设计

基础网络通过修改googlenet而来，作者去掉了goolgenet的inception模块，只使用1*1卷积和3*3卷积，并使用2*2的最大池化将特征图的维度递减两倍。在googlenet的最后一层7*7的特征图后，接入两个全连接层，第一层全连接为4096，第二层全连接的维度为1470（7*7*30）用于输出预测值。最后将全连接层进行reshape，reshape成7*7*30的特征图并接入损失函数。

 

3.训练

首先使用imagenet的数据对修改后的googlenet进行分类模型的学习，随后将模型迁移至目标检测任务上去。为了获得更好的结果，作者在原始网络的基础上增加了4层卷积和2层全连接层，并将原始224*224的输入上采样到448*448进行检车任务的学习。对于最后一层，作者使用线性激活函数，其余层均使用leaky-relu激活函数，其公式如下：

 

因为预测的bounding box中很大一部分并不包含目标，导致了数据类别的严重不平衡们为了解决这个问题，作者给包含目标的bounding box和不包含目标的bounding box施加不同的权重，从而对损失函数进行平衡。对于前者，其权重为5而后者为0.5.

同时为了解决大的bounding box和小的bounding box的数值误差，作者预测的bounding box的h和w为其原始h和w的平方根。

对于每一个gridcell，预测其都会预测多个bounding box。作者希望对于每一个目标只有一个专门的预测器进行预测，因此作者通过实时检查当前预测的bounding box和真实bounding box的IOU，并选择其中最大的IOU进行bounding box的预测。

 

yolo的损失函数如上。yucek

预测阶段，使用极大值抑制（NMS）算法去除多余的预测框。