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

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

背景介绍

---

   在深度神经网络之前，早期的 Object detection 方法是通过提取图像的一些 robust 的特征如（ Haar，SIFT，HOG ）等特征，使用 DPM 模型，用 silding window 的方式来预测具有较高 score 的 bounding box。这种方式非常耗时，而且精度又不怎么高。

   Selective Search （可以参考我之前的 博文 ） 的方法，相比于 sliding window 这中穷举的方式，减少了大量的计算，同时在性能上也有很大的提高。

   利用 Selective Search 提出的 region proposals 结合卷积神经网络的R-CNN的方法提出后，Object detection 的性能有了一个质的飞越。基于 R-CNN 发展出来的 SPPnet、Fast R-CNN、Faster R-CNN 等方法，证明了 “Proposal + Classification” 的方法 在 Objection Detection 上的有效性。

   相比于 R-CNN 系列的方法，该论文提供了另外一种思路，将 Object Detection 的问题转化成一个 Regression 问题。给定输入图像，直接在图像的多个位置上回归出目标的 bounding box 以及其分类类别。

YOLO的主要特点

• 速度快，能够达到实时的要求。在 Titan X 的 GPU 上 能够达到 45 帧每秒。
• 使用全图作为 Context 信息，背景错误（把背景错认为物体）比较少。
• 泛化能力强。在自然图像上训练好的结果在艺术作品中的依然具有很好的效果。
  
  
  
  

论文概要

---

   给定输入图像，将图像分割成 $S * S$（实验中 $S = 7$）个网格。如果一个物体 Ground Truth 的中心落在某个网格中，那么在训练过程中，该网格就负责对该物体的 Bounding Box 进行回归。

   每个网格都预测 $B$ （实验中 $B = 2$）个 Bounding Box（$x,y,w,h$） 以及相应的置信度。这个置信度的值用于反映这个 Box 是否包含物体，以及与 Ground Truth 的 IOU 值。那么这个置信度就可以定义为 $Pr(Object) * IOU_{pred}^{truth}$。当这个 Box 不包含物体时，那么这个置信度应该为 0，如果包含物体，那么这个置信度应该等于与 Ground Truth 的 IOU 值。在实验中，$B$ 之所以取值为 2，一方面预测多个 Box 可以提高预测的精度（多个 Box 取最大的 IOU 值），另一方面又不会增加太多计算量。在预测 Box 的位置时，$(x,y)$ Box 中心位置相对于对应的网格的偏移（归一化到0~1），$(w,h)$ 是相对于全图的值（归一化到0~1）。每张图像，最后预测出来的结果维度为 $S * S * (B * 5 + C)$，在 Pascal VOC 上，最后预测出来的结果维度 7*7*30。

   与此同时，每个网格还预测 $C$ 个类别物体的条件概率 $Pr(Class_i|Object)$。注意这里是每个网格，而不是每个 Box。 在测试阶段，可以利用公式

Pr(Classi|Object