YOLOv1

简单回顾一下detection方面的经典文章，希望能形成一个系统的知识树。自己也不做detection，只是希望能有所借鉴吧。

YOLOv1是CVPR16的文章，在此之间以faster rcnn为代表的two-stages检测方法在精度上已经做的不错的，但是以proposal为思想的这些方法，速度上是达不到实时应用程度的。本文提出一种新的架构， 将检测问题看作统一的一个回归问题， 直接从整个图像回归到class概率和bbox坐标。

具体地，网络将图片划分为S*S的网格（eg. S=7)。 每个网格预测B个bbox和分别的置信度。这个置信度可以按下式理解：

。

即它反映了这个bbox有多么确定它包含一个物体，和多么确定它预测的bbox是准确的。

每个bbox包含5个输出(x, y, w, h, confidence)。(x, y)是bbox中心的坐标相对与当前格子的偏移比例([0,1], 比如在格子正中间，则，x=y=0.5）。(w,h)是bbox的长宽相对于整幅图长宽的比例([0-1])。

每个格子还预测C个条件类别概率：

不管B是多少， 每个格子至预测一种类别的概率。也就是说我们默认当前格子里出现的一定只有一种物体。

test时，我们把这个条件类别概率和前面每个bbox的置信度相乘， 就得到了每个bbox的类别概率：

它不但包含这个box包含第i类物体的概率， 还包含了预测框的准确程度。

举例： 令S=7, B=2, 数据集有20类物体， 那么 最后网络预测是：7*7*(2*5+20)=7*7*30的tensor。

 

loss:

这个loss设计考虑了以下问题：

1.  传统的loss: classification loss + localization loss将二者同等对待， 这样在YOLO中是不行的， 因为一张图中，绝大多数格子是不包含物体的，也就是说会'push'这些格子的置信度为0, 这样会影响那些少量包含物体的格子梯度传递， 也就是overpowering。 所以解决方法是给包含物体的格子localization loss赋予较大权重(5)， 不包含物体赋予较小权重(0.5)， 当然此时loss只包每个bbox置信度的loss, 坐标和class的概率都不参加loss计算。

2. 传统的localization loss对w和h做均方差， 但是考虑小物体和大物体偏移相同的距离， 显然小物体犯错更不能被忍受， 解决方法是w和h开放后再算均方差。

3. 训练时， 每个格子会预测B个bbox, 我们只想要一个bbox负责预测一个物体， 基于什么条件指定这样的负责呢？ 就是当一个bbox和一个物体有最高的IOU时，它就负责这个物体的预测， loss中其他bbox对这个物体的权重为0。

 

YOLOv1的缺点：

1. 产生更多的localization error, 即预测物体的class是对的， 但是IOU较低((0.1, 0.5))；

2. 对成群的小物体的检测困难，因为每个格子只预测B个bbox。

优点：

1. fast, 且保持较高精度；

2. 很少将背景检测为物体， 即false positive的概率较小， 因为YOLO训练是看的是整张图， 感受野更大， context 信息更丰富。

相反faster rcnn就容易犯这样的错误。