YOLO论文阅读笔记

YOLO简介

首先贴下资源
yolo的官方文档
yolo的论文地址
yolo的github源码地址
yolo是RBG大神在rcnn系列之后的又一力作。针对在目标检测领域中无法达到实时检测效果的问题，独辟蹊径，为目标检测提供了新的思路。之前在rccn系列中，作者第一步是先通过一定的算法筛选出一些region proposal（大概2000个左右），然后再用cnn提取region proposal的特征，最后拿着cnn提去的特征放到svm分类器中。这种做法可以得到一个很高的检测精度，但是在实际应用中，由于region proposal太多，每次检测耗时很长，因此无法达到实时性的检测。所以作者在rcnn系列的基础上，提出了YOLO（you only look once），仅仅对input进行一遍扫描即可识别出图像中的object的bounding box和所属的类别，将目标检测问题转化到回归上。

YOLO结构

上图是yolo的结构图，可以看出：input size=448x448x3；经过一系列的卷积与池化得到output size=7x7x30。
下图是一个input，yolo把input分割成SxS（7x7）个大小相等的grid，然后每个grid负责检测B（B=2）个object。（因此yolo最终最多可以回归SxSxB也就是7x7x2=98个object）

下面分析yolo的output，yolo的output是一个7x7x30的三维矩阵，前面的7x7与input的grid对应，后面的30维是8维回归box的坐标，20维是类别，因为每个grid要回归两个bounding box，每个bounding box 有x（x坐标），y（y坐标），w（bounding box的宽），h（高）以及一个confidence（当前这个boudding box是object的置信度），然后后面是20个classes（因为yolo这个版本要检测20类object）最后得到：（2x（4+1）+20）= 30

input和output都介绍完以后，接下来简单介绍下yolo的误差函数，见下图。因为yolo是在output直接输出了bounding box的坐标和其他的相关信息，所以在这个过程最重要的就是如何设计损失函数，在每个grid的30x1的回归值都是数字，但是每个数字所代表的含义肯定不一样。如果简单的采用均方误差来处理可能会出现如下问题：

• 8维的localization error和20维的classification error一样对待肯定是不合理的
• 如果一个grid中没有object，那么就会将这些网格中bounding box的confidence设置为0，如果图片中object的较少，那么这种做法很可能导致网络的不稳定，甚至是发散。

解决的办法:

• 加入一个权重参数，更加重视8维坐标预测，在这些损失赋予更大的loss weight =
• 对于没有object的bounding box的confidence loss设置一个比较小的loss weight = 0.5
• 有object的bounding box的取正常的loss weight = 1。

对不同大小的box预测中，相比于大box预测偏一点，小box预测偏一点肯定更不能被忍受的。而sum-square error loss中对同样的偏移loss是一样。 为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。这个参考下面的图很容易理解，小box的横轴值较小，发生偏移时，反应到y轴上相比大box要大。

YOLO的优点与缺点

• 优点
  速度快，能够达到实时要求。
  使用全图作为context信息，背景错误（把背景当做object）少。
  泛化能力强（因为是直接output出位置信息而非分类，相当于是网络读懂了object的特征）。
• 缺点
  OLO对相互靠的很近的物体，还有很小的群体 检测效果不好，这是因为一个网格中只预测了两个框，并且只属于一类。
  对测试图像中，同一类物体出现的新的不常见的长宽比和其他情况是。泛化能力偏弱。
  由于损失函数的问题，定位误差是影响检测效果的主要原因。尤其是大小物体的处理上，还有待加强。