YOLO

• Advantages：

  • A single convolutional network simultaneously predicts multiple bounding boxes and class probabilities for those boxes

  • YOLO is extremely fast， 45 frames per second

    • Since we frame detection as a regression problem

  • YOLO sees the entire image during training and test time so it implicitly encodes contextual information about classes as well as their appearance

    • Fast R-CNN, a top detection method, mistakes background patches in an image for objects because it can’t see the larger context

  • YOLO is highly generalizable

• Step:

  • Our system divides the input image into an S × S grid. If the center of an object falls into a grid cell, that grid cell is responsible for detecting that object.

  • For every grid cell,  get two bounding boxes， every BBox have  5 parameters,   The remaining 20 denote the number of classes. The values denote the class score, which is the conditional probability of object belongs to class i

    • how to compute  the bbox confidence of every bbox

      • 这个confidence 代表了所预测的Bbox中含有object的置信度 和这个预测有多准 的两重信息

  • Next, we multiply all these class score with bounding box confidence and get class scores for different bounding boxes 

  • In the end, you will get a tensor value of 7*7*30.

  • 

• Loss的设计

  • YOLO算法将目标检测问题看做是回归问题，采用的是均方差损失函数，但是对于不同的部分采用了不同的权重值

    • 对于输出的tensor，有8维是与位置相关的，20维是与类别相关的，其重要性当然不能相同。于是对于定位误差，采用较大的权重对于不包含目标的边界框的置信度采用较小的权重， 其他权重设置维1， 然后采取均方误差

    • 但是实际上对于大小不同的边框，小边框的坐标误差是要比大边框的坐标误差更加铭感一点的，所以将网络的边界框的宽与高的预测改为对其平方根的预测

    • 其中第一项是边界框中心坐标的误差项，  指的是第  个单元格存在目标，且该单元格中的第  个边界框负责预测该目标。第二项是边界框的高与宽的误差项。第三项是包含目标的边界框的置信度误差项。第四项是不包含目标的边界框的置信度误差项。而最后一项是包含目标的单元格的分类误差项，  指的是第  个单元格存在目标。

  • 网络预测

    • NMS非极大抑制

      • 首先从所有的检测框中找到置信度最大的那个框，

      • 然后挨个计算其与剩余框的IOU，如果其值大于一定阈值（重合度过高），那么就将该框剔除；

      • 然后对剩余的检测框重复上述过程，直到处理完所有的检测框。

  • 缺点 

    • 由于每个单元格预测多个边界框，但是其对应的 类别只有一个，那么在训练时，如果该单元格里确实有目标，那么就选择与 groundTruth的IOU最大的那个边界框来负责预测该i目标。但是如果一个单元格里确实有多个目标怎么办，那么YOLO算法就只能选其中一个进行训练