【目标检测】YOLO: You Only Look Once

Redmon, Joseph, et al. “You Only Look Once: Unified, Real-Time Object Detection.” (2015):779-788.

概述

目标检测中的RCNN系列¹算法遵循2-stage的流程：首先找出一系列（预先设定好的）候选区域，而后对这些候选区域进行分类以及位置修正。
YOLO则开启了1-stage的流派：直接用一个深度网络，回归出目标的位置和归类。

基础YOLO检测器的速度能够达到45 fps，更快的Fast YOLO则能够达到惊人的155 fps。

网络结构

YOLO将输入图像划分为$S\times S$个网格（grid），并做了一个粗略的近似：每个网格最多含有一个目标。

这种近似显然影响YOLO对于密集小物体的召回率，但胜在速度很快。

对于每个网格，预测以下变量：

• 【分类】该网格内目标属于每个类别的概率$p$
• 【定位】$B$个bounding box，描述目标的位置$x,y$和尺寸$w,h$
• 【定位】$B$个confidence，描述相应bounding box是目标的置信度$C$

对于较大，或者处于网格交界处的目标，可能需要由多个bounding box组合而成。这也是为bounding box预测置信度的原因。

每个bounding box可以专注于一种长宽比或者一类目标。

对于PASCAL VOC任务，类别数=20。设定$S=7$，$B=2$。使用的网络如下图所示：

输入为448*448彩色图像，比RCNN系列增大一倍。

其中蓝色的卷积网络包含24或9个卷积层，基本遵循googLeNet²的设计，降采样为$2^4$，输出771024的特征图。

两个绿色的全连层从特征图回归出每个网格的30个预测。

训练

标定与预测

如果目标的中心在一个网格内部，称为“目标在网格内”。

这里暗含假设：每个网格最多含有一个目标。论文中没有明确指出如何处理多个目标的情况，有待结合源码查看。

真实数据记为：

• $\widehat{x_i},\widehat{y_i}$：网格$i$中目标的左上角位置
• $\widehat{w_i},\widehat{h_i}$：网格$i$中目标的尺寸
• $\widehat{C_{ij}}$：网格$i$的第$j$个bounding box和目标的IOU
• $\widehat{p_i}$：网格$i$的1-hot编码分类概率

对于每一个网格$i$，输出$B$个定位结果（目标在哪里）：

• $x_{ij}$