ICCV2019-Gaussian YOLOv3 理解解析

序言

关于YOLOv3相信大家都很熟悉了，如果对YOLOv3还不熟悉的同学可以先去了解一下它的原理，别选择跳级理解，因为本篇文章说到的Gaussian YOLOv3是基于YOLOv3的改进版本，如果有了解过YOLOv3的理论知识，理解起来相对来说要简单一些。

论文链接：Gaussian YOLOv3
Github代码：Gaussian YOLOv3代码

一、YOLOv3存在的问题

在以往基于深度学习的对象检测算法最关键的问题之一是，被检测对象的bbox坐标是已知的，而bbox结果的不确定性是未知的，造成了一些误检测情况，也就是说，目标框只有位置而没有置信度，从结果中无法预知当前目标框的可靠性，基于此，作者提出使用利用Gaussian模型来对网络输出进行建模，通过输出预测bbox的定位准确性来降低FP，提高TP，在不改变YOLOv3的计算量和网络结构情况下，仍然可以保持很快的速度。改进的重点：对bbox的不确定性进行建模。

二、Guassian YOLOv3和YOLOv3输出对比

首先回顾一下YOLOv3的边框输出：

在YOLOv3中，在feature上的每个点输出为：3 x（（tx，ty，tw，th）+obj_score+class_score），每个点上预设了3个anchors，其中（tx，ty）用来确定中心点的坐标，（tw，th）用来回归目标框的宽高，obj_score用来确定物体的位置，而class_score则包含了目标的分类信息，在上述输出的信息中，可以看到，在回归的bbox目标框中，只有坐标的位置信息，至于这个坐标框位置的可靠性我们是不知道的，也就是说我们并不知道这个框坐标点是否能正确的代表目标框，所以就有了以下Guassian YOLOv3的改进，在加入高斯模型后，网络的输出变成了这样：

注意到，网络的输出由原来的3*（四个位置信息+一个obj_score+C个class_score），变成了3*（八个位置信息+一个obj_score+C个class_score），也就是bbox的输出变成了：

其中u()为边框的坐标，代表均值，∑为各坐标的不确定性，表示方差，这样一来，通过引进Guassian模型，每个目标框坐标的不确定性也就有了判别的依据。

但是在这里并不能直接将u()和∑直接拿来做为高斯模型的均值和方差，还需要经过如下变换：

通过等式（2），将做了sigmoid处理，将值的范围控制在（0-1）之间，秉承了YOLOv3的思想，对和不做处理，不限制其大小，因为长宽的尺度变化有可能超过1，这也是YOLOv3的原始思想。标准差也通过sigmoid将值限定在（0,1）范围内，这是因为标准差表明了点坐标的可靠性，0表示非常可靠，1表示不可靠（因为对于高斯分布，方差越大，则一定程度上说明这个分布的变化比较大，即是这个bbox的估计结果越不可靠）。

经过了(2)、(3)、(4)的式子变换之后，就得到了高斯模型真正的均值和方差。

三、loss function

在满足了高斯分布的均值和方差后，文中对损失函数也相对做了改进，采用NLL_LOSS损失函数，即negative log likelihood loss（负对数似然损失），主要修改的是坐标回归处的损失，其他的分类和前景的交叉熵损失没变化。

此外，在阈值的计算上，标准标变成了：

加入了坐标值可靠性因素Uncertainty_aver，这个值是bbox输出的四个标准差的平均值，这也就是前面为什么对标准差做了sigmoid的结果。

四、结果对比

作者分别在KITTI和BDD数据集上做了测试，对比结果如下：

1. mAP对比
   
   
   可以看到在KITTI数据集上mAP提升了3.09，在BDD数据集上mAP提升了3.5，作者并未在coco数据集上做详细的实验，因此此算法只能算是自动驾驶领域的一个针对性检测算法，而非通用目标检测算法。

2. FP和TP的对比效果：
   
   Gaussian YOLOv3有效的减少约40%的FP，提高了约5%的TP。

---

参考文档：

1. 解读Gaussian YOLOv3
2. 目标检测算法之ICCV2019 Gaussian YOLOv3
3. [自动驾驶]–ICCV2019-Gaussian YOLOv3
4. Guassian YOLOv3 | ICCV2019，更快更强的YOLOv3