CV计算机视觉（8）——目标检测one stage detection：yolov1、v2、v3

前言

前面基于Faster-RCNN系列讲了two stage的检测算法，核心思想是先把检测物体框出来，对这个物体进行粗定位和分类，然后再精细定位。而onw stage可以理解为省去粗定位这一步，直接精细定位。用faster-RCNN举例，他有一步RPN，是为了生成候选框的，这是一个粗定位的步骤，有这个步骤就是two stage，没有RPN功能的步骤，直接一步到位就是one stage。

一、YOLOV1

相比Faster-RCNN速度快，精度低，但是如果换backbone也会比Faster快。

1.分割 ：grid an image into s×s cells

怎么分割？其实就是用一个backbone生成s×s的尺寸的特征图，这样特征图上的每一个像素点对应到原图上就是一块s×s的区域。每一个小格子叫一个cell（图中涂红的一格）

2.检测Each cell predicts B bounding box with a confidence

分割出的cell用来干嘛呢？每个cell负责检测一个物体，而且当这个cell中有一个物体的中心落在里面时才参与检测，没有物体中心的cell不参与检测。

怎么知道物体的中心有没有呢？根据GT。

而且规定，每个负责检测的cell要生成B个Bbox，每个Bbox的要有[x,y,w,h,c]的信息，也就是每个cell生成5B个值，x,y,w,h,不用解释了，就是回归信息，C是置信度。

除了回归的信息，每个cell还要生成类别信息，也就是一个cell最后输出5B+num_clas数量级的值。假如是20个类别，YOLOv1中设计B=2,S=7。——>output_cell=（5×B+num_clas）×s×s =30×7×7

每个像素点的维度为30:20维度是类别概率，1维度是Bbox1的置信度，1维度是Bbox2的置信度，4维度是Bbox1的回归，4维度是Bbox2的回归。
在V1中每个发生检测的cell输出两个Bbox，取得分最高的那个参与loss计算。

3.loss function

3.1回归损失

𝑥, 𝑦: predicated bbox center
𝑤, ℎ: predicated bbox width & height
𝑥^~,𝑦^~: labeled bbox center
𝑤^~,ℎ^~: labeled bbox width & height

其实就是求MSE，考虑到长宽W,H和左边X,Y的尺度问题，对长宽用求根号的形式避免尺度过大。进行尺度归一化。

3.2置信度损失

𝜆𝑛𝑜𝑜𝑏𝑗=0.5，是一个极小的系数，因为有太多的没有物体的Bbox ，c=0的情况很多，所以取一个小的系数（because there’s so many non-object bboxes ）

此外，由于训练过程中有GT，所以又一个置信度参考，但是测试过程中是没有置信度参考的，所以训练阶段和测试计算的置信度计算公式稍有不同：

训练阶段Pr要么是1，要么是0

测试阶段Pr是模型预测的一个值，通常是小数级别。

由于Bbox有两个，计算过程中选IOU大的那个Bbox的IOU。

3.3 分类损失

每个cell只输出iou值最大的那个目标，也就是只输出一个目标。（Each sell will only predict 1 object, which is decided by the bbox with largest IoU）

到这里有没有发现什么问题？每个cell只输出一个得分最高的目标，那如果一个cell有两个物体的中心呢，势必会把得分低的那个物体删掉，只输出一个物体。也就是YOLOv1有明显的漏检情况。
（Bad for crowed objects [1 cell 1 obj]）

二、YOLOV2

1.相较于V1，增加了BN层；

2.v1是用的ImageNet上预训练的模型，数据集的尺寸是224×224偏小，v2用resize成448×448尺寸的迁移模型

3.增加了anchor机制，参照Faster-RCNN，Faster-RCNN一个特征图上的像素点固定生成9种尺寸大小的anchor，YOLO不固定尺寸，用Kmeans聚类，把这9种anchor再聚成5种大小的anchor尺寸。具体是怎么选的这五个尺寸呢？
首先根据公式：

对不同的anchor聚类，分成5堆。
然后用每一堆的尺度的平均，作为5种anchor的大小。（为什么选5，跟数据集有关，不同的数据集你也可以指定不同的K）

4.增加了细粒度的特征融合机制；（reorg层将低级特征和高级特征在通道上concat）

经过这种操作，一个4×4的FM可以得到4个2×2的特征图，由于高级特征富含语义信息缺少像素信息，把低级的特征经过上述步骤变成高级特征的尺寸后，跟高层特征直接在通道上拼接，这样高级特征就也有了低级的特征。

5.用多尺寸进行训练，每10个epoch变化一次输入图片的尺寸（从320调整到608），并随之增加cell的尺寸S（从10到19）。

三、YOLOV3

1.使用残差模块，但不全使用只选取一部分

2.多尺度网络模型，v2的多尺度是手动改变输入尺寸，每10个epoch就改变尺寸实现的，V3的多尺度基于特征金字塔FPN实现。（分成3种尺度缩放32、16、8倍，就会有9种anchor）

3.基于CoCo数据集，实现80类别的分类，不沿用softmax而是logistics

4.输出形式

四、 FPN

传送门

克服RPN小目标检测不佳的问题，由于高层特征更聚焦于语义信息，底层特征更聚焦于像素级信息，RPN利用的高层特征容易忽视底层信息，导致小目标检测效果不佳。所以提出FPN，利用多尺度融合的特征图。

上图是上采样的过程

上图红框左边是上采样，红框右边是下采样，通过一个横向连接实现多层特征的信息融合。具体来说就是上层的特征经过相邻位置像素的扩充，变成下层特征的尺寸，然后两者相加得到一个新的特征图，以此类推。可以一定程度保留底层信息。

五、retina-net

主要分析了一阶段检测为什么不如二阶段检测，因为二阶段检测多了一步粗定位，然后针对这个问题提出了retina-net 传送门

六、SSD

传送门