YOLOv1论文解读

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

问题动机与贡献

• 当前存在的物体检测系统通常都是重用分类器实现检测，为了检测一个物体，这些方法通常是在测试图片的不同位置，不同尺度进行滑动分类评估。最近的比如R-CNN模型会生成一些潜在的bounding box, 然后使用分类器去判断这些可能的bounding box。这些方法都是很慢的，而且很难优化，因为每个单独的component都必须单独的训

• 针对上述问题，本文把物体检测看做是一个单回归任务，直接回归像素级的bounding box坐标和对应的类概率，可以预测物体在哪儿，物体是什么

• YOLO的模型很简单，相比传统的检测，主要优点体现在下面几点

  • 第一，因为YOLO没有复杂的pipeline，仅仅是一个回归问题，所以非常快
  • 第二，YOLO检测是时候是全局推理，不像滑动窗口和区域建议技术(region proposal)
  • 第三，YOLO学习的是物体的泛化表示

方法

方法思想

• 模型首先会把输入图像划分为S*S的网格，如果一个物体的中心在某个网格中，那么对应的网格就负责该物体的检测。
• 每个网格(cell)都会预测B个bounding box和对应的置信分数，定义为$Pr(Object)\ast IO{U}_{pred}^{truth}$，如果没有物体，那么置信分数$Pr$应该是0，否则的话，希望置信分数等于预测的box与真实box的交并比。
• 每个bounding box会包含5个变量，分别为x,y,w,h和置信分数，(x,y)表示box相对每个cell的边缘的中心坐标，以及相对整幅图像的宽和高。最终的置信分数表示的是预测的box和真实的box的交并比。
• 每个cell也预测C个类条件概率$Pr(Clas{s}_i|Object)$，这些概率是基于cell包含的物体的。$\mathrm{Pr}\left({\text{ Class }}_i\mid \text{ Object }\right)\ast \mathrm{Pr}(\text{ Object })\ast {\mathrm{IOU}}_{\text{pred }}^{\text{truth }}=\mathrm{Pr}\left({\text{ Class }}_i\right)\ast {\mathrm{IOU}}_{\text{pred }}^{\text{truth }}$
• 本文设置$S=7,B=2$,在 PASCAL VOC数据集上，一共有20类，所以最终预测的tensor形状为7*7*30, 计算公式为$S\ast S\ast (B\ast 5+C)$

网络设计

损失函数

实验结果