【目标检测】YOLOv1-v3 原理

---

1. YOLOv1

1.1 论文思想

1. 将一幅图像分成SxS个网格(grid cell)，如果某个object的中心落在这个网格中，则这个网格就负责预测这个object。
   
   如何确定目标的中心？
   答：标注时bounding box的中心即为目标的中心。

2. 每个网格要预测B个bounding box，每个bounding box除了要预测位置之外，还要附带预测一个confidence值。每个网格还要预测C个类别的分数。
   
   B一般取2，C为pascal voc数据集的目标类别数，故取20。
   为什么参数为7×7×30？
   答：如下图，每个网格（grid cell）需要预测2个bounding box，每个bounding box有5个数值，再加上20个类别数量，一共5+5+20=30。
   

3. 参数解释：
   

• (x,y) 为预测目标边界框的中心点坐标，它是相对于grid cell的边界而言的（取值范围为0-1）；
• w, h 为bounding box的宽和高，它是相对于整张图像而言（范围也是0-1）；
• confidence = Pr(object) × IOU，Pr(object)为0或1（grid cell中存在目标则为,1，反之为0），IOU为真实的bounding box和预测的bounding box的交并比。

1.2 网络结构

s-2表示步幅为2

1.3 损失函数

YOLOv1的损失函数由三部分构成：bounding box损失 + confidence损失 + classes损失

1.3.1 bounding box损失

w和h开根号再求误差平方和是为了防止同样的偏差对小目标的IOU影响大而对大目标的影响小，如下图。

问题：w和h不都是0-1之间的数吗？按理说都是比例不应该会有这个问题。

1.3.2 confidence损失

包含两部分，obj 为第 i 个grid cell中包含目标的情况，此时${\hat{C}}_i=1$，noobj 为第 i 个grid cell中不包含目标的情况，此时${\hat{C}}_i=0$。

1.3.3 classes损失

1.4 YOLOv1存在的问题

1. YOLOv1对群体性的小目标检测效果很差，例如一群鸟。原因是一个grid cell 只预测两个bounding box；
2. 当目标出现新的尺寸或配置时，YOLOv1预测效果也很差；
3. 主要错误原因是定位不准确，YOLOv1直接预测目标的坐标信息。

2. YOLOv2

2.1 YOLOv2的效果

YOLOv2比YOLOv1提高了15个百分点。

2.2 YOLOv2中的各种尝试

在论文的better章节中，一共进行了7种尝试，下面学习一下这7种尝试。

2.2.1 Batch Normalization

在每个卷积层后面加上了BN层，mAP提高了2个点，加入BN层后可以不再使用dropout层。

2.2.2 High Resolution Classifier

使用了更高分辨率的分类器

YOLOv1中训练backbone即分类器时采用的224×224的图像输入，YOLOv1中采用了448×448分辨率的输入图像，mAP提升了4个点。

2.2.3 Convolutional With Anchor Boxes

基于anchor box的目标边界框的预测

不使用anchor box的mAP为69.5，recall为0.81；使用anchor box的mAP为69.2，recall为0.88。mAP有一个很小的下降，但是recall得到了很大的提升，意味着模型有更大的提升空间。

2.2.4 Dimension Clusters

通过k-means聚类的方法生成priors（在faster r-cnn中是经验值），更好的priors使得网络更容易学习且能得到更好的检测效果。

prior box，是指实际中选择的default box（每一个feature map cell 不是k个default box都取）。 也就是说default box是一种概念，prior box则是实际的选取。
解读SSD中的Default box（Prior Box）

2.2.5 Direct location prediction

这边需要先把anchor box 复习一下

每个anchor(prior)去负责预测目标中心落在某个grid cell 区域内的目标，提升了5个点。

2.2.6 Fine-Grained Features