YOLO详解

Redmon, J., Divvala, S., Girshick, R., Farhadi, A.: You only look once: Unified, real-time object detection. In: CVPR. (2016)

思想

YOLO将物体检测作为回归问题求解，用卷积神经网络直接从输入图像预测BBox和类别的概率，没有单独的求取region proposal的过程。下图是RCNN，Fast RCNN， Faster RCNN和YOLO区别。

网络详情

网络结构

网络主要采用GoogLeNet，使用1x1卷积层+3x3卷积层简单代替了GoogleNet中的Inception module。卷积层主要用来提取特征，全连接层主要用来预测类别概率和坐标。最后的输出是7*7*30。其中激活函数为如下函数：

$$f(x)= \begin{cases} x& x>0\\ 0.1x& x<0 \end{cases}$$

算法流程

YOLO将输入图像分成SxS个格子，每个格子负责检测‘落入’该格子的物体。若某个物体的中心位置的坐标落入到某个格子，那么这个格子就负责检测出这个物体。如下图所示，图中物体狗的中心点（红色原点）落入第5行、第2列的格子内，所以这个格子负责预测图像中的物体狗。

每个格子中产生B个BBox,以及C个物体属于某种类别的概率信息。每个BBox包含5个数据，分别是x，y，w，h和confidence。其中x，y是BBox中心位置相对于当前格子位置的偏移值，并且被归一化到[0,1]。w,h是BBox相对于原图的宽度和高度，也是在[0,1]内。confidence表示该BBox是否包含物体以及物体位置的准确性。计算公式如下：

$$confidence = P(object) \times\ IOU$$

若BBox包含物体，则$P(object) = 1$；否则$P(object) = 0$。IOU为预测bounding box与物体真实区域的交集面积（以像素为单位，用真实区域的像素面积归一化到[0,1]区间）。每个BBox的confidence乘以该BBox所在的格子的类别预测值就是该BBox的类别预测值。

损失函数

YOLO使用均方和误差作为loss函数来优化模型参数，即网络输出的S*S*(B*5 + C)维向量与真实图像的对应S*S*(B*5 + C)维向量的均方和误差。

其中，$x,y,w,C,p$为网络预测值，$\hat{x},\hat{y},\hat{w},\hat{C},\hat{p}$为标注值。