YOLOV1阅读笔记

简述

• 将目标检测作为回归问题
• 用整张图片作为输入，得到bounding boxes和相关的类别概率

优势

• 快。base YOLO model实时处理图片45帧/秒；Fast YOLO达到了155帧/秒，并且mAP是其它实时监测器的2倍。
• 背景类别分类正确率更高
• 泛化性更强

主要思想

本文将目标识别的组件统一到单个卷积网络中，使用整张图片的特征来预测每个bounding box，并且一张图片上所有bounding boxes的预测是同时进行的。YOLO在保持较高平均精度的同时实现了端到端的训练和实时的速度

• 将输入的图片划分成$S\times S$的网格。如果一个object的中心落在某个网格中，那么这个网格负责这个object的检测

• 每一个网格预测B个bounding boxes和这些boxes的confidence score。这些confidence score表明了

  • 这个box包含一个object的可信度大小
  • 这个box预测结果的准确度大小

  将confidence定义为$Pr(Object)\ast IO{U}_{pred}^{truth}$：

  • 如果网格中不存在object，$Pr(Object)=0$，即confidence score等于0
  • 否则，$Pr(Object)=1$，此时confidence score等于预测box与ground box之间的IoU

• 每个bounding box包含5个预测值：x,y,w,h和confidence：

  • 其中(x,y)表示相对于网格边界的box的中心
  • width(w)和height(h)相对于整张图片预测
  • confidence同上所述

• 每个网格还预测C个条件类别概率$Pr(Clas{s}_i|Object)$，表示在网格包含Object时类别为$Clas{s}_i$的概率

所以这些预测的输出是一个$S\times S\times (B\ast 5+C)$的tensor.

设计细节

网络结构借鉴于GoogLeNet。有24个卷积层+2个全连接层。用$1\times 1$的reduction layer后边紧跟$3\times 3$的卷积层替代了GoogLenet中使用的inception modules，用来减少嵌满层得到的特征空间。

• 最后一个层预测类别概率和bounding box坐标。使用图像的宽和高归一化bounding box的宽和高，使用特定网格位置的offset归一化bounding box 的x,y坐标。

• 最后一层使用线性激活函数，其他层的激活函数使用leaky ReLu

• 为了优化方便，本文使用了sum-squared error来设计损失函数，这样导致的问题是：

  • 会使得定位误差和分类误差同等重要，这样是不理想的
  • 因为很多网格中不包含任何object，这些网格中box的confidence便会等于0，这会使得模型不稳定

  为了解决这些问题，采取的方法是：

  • 增加bounding box坐标预测的loss，减少不包含object的box的confidence预测的loss，使用了两个参数${\lambda }_{coord}$和${\lambda }_{noobj}$来实现，并设置${\lambda }_{coord}=5$，${\lambda }_{noobj}=0.5$.

• 由于比起大box的小偏移，小box的小偏移更应该引起重视，但是在sum-squared error下这两种情况是没有区别的。所以本文采取直接预测bounding box宽和高的平方根。

  

• YOLO在每个网格中预测多个bounding box，在训练阶段只想要一个bounding box预测器负责一个类别，因此让一个预测器屈服一个类别（预测结果与ground truth之间的IOU最高的类别）。（Ps:个人不理解）

局限性

• 由于一个网格只能预测两个box并且只能有一个class，这种限制了可以预测的相邻物体的数量。在成群出现的小物体预测上表现不够好，比如鸟群。
• 对于新的、不常见的纵横比的泛化性不好
• 本文的损失函数对于小的bounding box和大的bounding box的损失是一样的，但是应该来说，小错误在大的box上一般来说是良性的，但是在小box上会对IOU有一个很大的影响。这导致了定位的准确性偏低。