目标检测论文阅读 YOLO You Only Look Once:Unified, Real-Time Object Detection

 目标检测论文阅读笔记

目标检测论文阅读 RCNN Rich feature hierarchies for accurate object detection and semantic segmentation-CSDN博客

目标检测论文阅读 SPPNet Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition-CSDN博客

目标检测论文阅读 Fast R-CNN-CSDN博客

目标检测论文阅读 Faster RCNN-CSDN博客

目标检测论文阅读 Cascade R-CNN: Delving into High Quality Object Detection-CSDN博客

目标检测论文阅读 Mask R-CNN-CSDN博客

目标检测论文阅读 YOLO You Only Look Once:Unified, Real-Time Object Detection-CSDN博客

---

You Only Look Once:Unified, Real-Time Object Detection   统一实时对象检测

Abstract

Yolo将目标检测定义为单个回归问题，直接从图像像素得到bounding box坐标和类别概率

YOLO使用单个卷积网络来同时预测多个bounding boxes和这些框的类别概率。它有以下优点：

（1）速度非常快，将检测视为回归问题，不需要复杂的组件，只需对一张测试图像运行网络来预测即可

（2）YOLO在预测时会对图像进行全局推理，YOLO在训练和测试时看到的是一整张图像，所以它隐含地编码了关于类别和外观的上下文信息，能够对背景产生较少的误报；

（3）YOLO学习目标的泛化表示，在自然场景上训练，在艺术作品上测试效果也不错

缺点：

尽管YOLO可以快速识别图像上的目标，但它很难精准定位一些目标，尤其是小目标。

2. Unified Detection  统一检测

首先会把输入图片分成S× S个格子(grid cell)，如果一个目标的中心落入了某个格子内，那么这个格子就负责检测这个目标。每个格子会预测B个边界框--bounding boxes和它们对应的置信度分数--confidence scores。confidence scores反映的是模型对于这个box包含目标的信心，以及它认为box预测的准确度：如果没有目标存在于这个格子内，confidence score为0，否则的话confidence score等于预测的box和ground truth之间的IOU。（看来Pr(Object)要么为0，要么为1）。有的物体有多个单元格可以定位，此时非极大值抑制。

每个bounding box会涉及到5个预测值，x,y,w,h,confidence，(x,y)表示的是目标的中心点坐标，相对于网格单元边界的(0~1)。w,h是相对于整个图像的。

每个格子还会预测每类目标概率值(confidence是每个box都会有的，但条件概率值是每个网格才有的，也就是每个网格的B个box是共享这一组值的)

将条件概率值和单个box的confidence相乘：即可得到这个box对每类目标的confidence score，这些scores不仅编码了该类出现在box中的概率，还表示了预测的box与gt的IOU。

   预训练使用224*224的图像训练ImageNet，预训练好后使用预训练网络的前20个卷积层+平均池化层+全连接层，（其他论文说明：在预训练的网络中同时添加卷积层和连接层可以提高性能）再加4层卷积和2层全连接(随机初始化权重)去训练检测任务，输入大小为448×448

   最后一层会同时输出类别概率和box的坐标。利用图像的宽和高对box的宽和高做归一化，使其介于0和1之间(box的宽高/原图像的宽高)。将box的x和y坐标参数化为特定网格单元位置的偏移量，因此它们也在0和1之间。

损失函数：

（1）损失函数简单粗暴地选择了平方差函数（因为好优化），但它将定位误差与分类误差同等地考虑，可能效果不佳。

（2）此外，图像中会有很多网格不包含任何目标，这些网格的confidence score为0，这么多的空网格会挤占包含目标的网格在损失函数中的比重，解决方法：增加有目标网格比重，减小空网格比重。

（3）此外，小的bbox的偏差应当比大的bbox同尺寸的偏差影响要大，解决方法：使用bbox的宽和高的平方根来计算，而不是宽和高本身。

（4）每个网格单元预测多个bounding boxes。在训练时，我们希望对每个目标只有一个bbox预测器对其负责。通过与gt的IOU选择这个bbox

坐标的损失，意为对象是否出现在单元格i中。第i个单元格中的第j个bbox是否负责该object

第一项：坐标的损失。xy直接平方差，wh决定了预测框的大小，为满足（3），先开根，在平方差。在这两项前面加满足（1）。

第二项：confidence损失。C是目标信息得分。那对于noobj单元格Ci=0,损失函数项需要乘以满足（2）。

第三项：类别损失。P(C)指,每个单元格有C个P(C)，或者说P(C)是C维向量。代表这个有目标的单元格中的目标属于每一类的概率。

YOLO的局限性：

YOLO对bounding box预测施加了很强的空间约束，每个网格只预测两个box并且只能有一个类别。这种空间约束限制了模型可以预测的邻近物体的数量，比如在检测成群出现的小物体

模型从数据中学习预测bounding box，因此它很难泛化到新的/不常见的纵横比的目标。