目标检测（object detection）—— YOLO总结

点击这里了解RCNN
点击这里了解Fast RCNN
点击这里了解Faster RCNN
简明易懂的YOLO原理图示，本篇博文部分图片取自这里，需要科学上网

1 概述

• RCNN系列算法一脉相承，其终极版本Faster RCNN已经可以达到当时最快的检测速度和最高的准确率。但是RCNN系列算法并不简洁优美，原因在于，这些算法经过多阶段训练得到（multi-stage）。回想Faster RCNN，训练网络时，首先训练RPN网络，再训练Fast RCNN，这种两阶段训练网络的方式显然不够简洁优美。如果有算法可以只经过单阶段训练（one stage）就达到很好的检测速度和检测效果，岂不是非常简便，基于这个想法，YOLO（You Only Look Once）算法横空出世。
• YOLO算法摒弃了RCNN系列算法先生成proposals再对其进行检测的思路，另辟蹊径，将目标检测任务直接视为回归问题，实现了一个端到端（end to end）训练的网络。

注1：从RCNN到Fast RCNN，再到Faster RCNN，再到YOLO，为了实现更快检测速度、更准确的检测结果，不断改进、甚至完全推翻前人方法的过程真是令人深深着迷。我认为这就是技术的部分魅力所在，只要肯想肯做，总有新的发现，总有新的成果。

2 整体网络结构

• YOLO的网络结构如上，基于GoogLeNet，又添加了若干卷积层、池化层、全连接层

3 YOLO原理解读

3.1 训练阶段

YOLO如何将检测问题视为回归问题实现端到端的训练？请往下看：

3.1.1 原理

• 训练阶段，将输入图像划分成SxS的网络，如下图所示（图中S=7）：

• 依据输入图像中目标的ground truth，可确定ground truth的中心所在的网格，如下图所示，狗的ground truth的中心落入红色网格内，其它同理：
  
• YOLO网络的目标是：对输入图像的每个网格，预测出B个bounding box（论文中B=2，bounding box的中心落入该网格）。训练过程中，这些预测出的bounding box与真实的ground truth求误差，进而训练网络，对生成的bounding box进行回归。每个bounding box预测5个值：bounding box的中心相对于网格中心的归一化坐标（x，y），bounding box的长宽相对于整个图像的长宽（w，h），置信度（confidence）。置信度计算方式如下
  
• 对每个bounding box，我们计算出一个置信度（confidence），其公式如下：其中，Pr(Object)表示bounding box所属的网格中是否包含ground truth的中心点，若包含，Pr(Object)=1，否则，Pr(Object)=0；IOU表示bounding box与ground truth的IOU。显然，当网格中落入ground truth的中心点时，该网格预测出的bounding box的confidence就是该bounding box与ground truth的IOU；网格中没有落入ground truth的中心点时，该网格预测出的bounding box的confidence为0

• 到这里，每个网格预测出的bounding box只包含其中是否有目标的信息，要如何得到bounding box的目标中的类别信息呢？ YOLO为每个网格预测C个条件概率密度，该条件概率密度表示：在网格中包含目标的情况下目标是第i类的概率：

• 进而，每个bounding box包含第i个目标的概率可表示如下：显然这个值既度量了第i类目标出现在bounding box中的概率，又度量了这个bounding box与ground truth的接近程度

• 也就是说，输入图像的每个网格会产生Bx5+C个值（B为每个网格预测的bounding box的数量，C为每个网格产生的条件概率的个数，也即目标类别总数）。输入图像共产生SxSx(Bx5+C)个值
• 上述过程的示意图如下：

示意图一：

一张图像送入YOLO网络，最后经过两层全连接层后得到一个1470x1的tensor（第二个全连接层有1470个卷积核，每个卷积核的维度是1x1x4096），再reshape为7x7x30的tensor。这里有个问题：为什么是1470个卷积核？由前面的内容我们知道，输入图像经过YOLO网络后要产生1470个值，为了产生这个数目的值，就需要1470个卷积核。

示意图二：

7x7x30的tensor中每一个1x1x30的tensor都是原输入图像对应网格的预测值（见注2）。这个1x1x30的tensor的结构如下：前5个数代表对应网格预测出的第一个bounding box的参数；再5个数代表第二个bounding box的参数；最后20个数代表该网格的20个条件概率（论文中类别数为20，每个条件概率值代表该网格在包含目标的条件下目标是第i类的概率）

注2：我读论文到这里的时候，有个巨大的疑问，怎么确保每个1x1x30的tensor就与原图像某个网格对应起来？我的理解是这样的：第一层全连接层前，feature maps的形状为7x7x1024，这时候，feature maps中的每一个长条（1x1x1024）都可以在原图像上映射出一个区域（类似于anchor），并且该区域相对于输入图像的位置近似于该长条相对于feature maps的位置，也就是说，此时每个网格与feature maps上的对应位置具有一定的联系。经过两层全连接层后，原始feature maps中的信息被打乱重新分布于1x1x1470的tensor中。这时候，这种网格与对应tensor的位置关系是未知的，但是通过设置合适的误差函数，我们可以让神经网络不断调整权重参数，使网络强行寻找这种网格与tensor间的对应关系。网络训练完成后，网格与1x1x1470的tensor的位置对应关系也就确定了。检测时，1x1x1470的tensor中的不同位置的数值对应测试图像的不同网格。

示意图三：

再用第一个bounding box中的confidence分别与后20个条件概率相乘，从而得到了该bounding box不同类别的得分

示意图四：

对每个网格中的两个bounding box都重复上述操作，最终得到7x7x2=98个向量。

3.1.2 损失函数

误差函数中有三个值得注意的地方：

• 首先，bounding box是否准确带来的误差（上图中第1个框）与类别预测是否正确的误差（上图中第4个框）是两类不同的误差，因此不能对两类误差使用相同的权值。论文中将lambda_coord设置为5
• 其次，对每幅图像而言，不包含目标的网格要显著多于包含目标的网格，所以在计算两类网格的confidence误差时（上图中第2、3个框）应该使用不同的权值（若使用相同的权值，则误差收敛的速度过快，训练得到的网路不稳定）。论文中将lambda_noobj设置为0.5
• 最后，大目标的bounding box和小目标的bounding box对误差的容忍程度是不同的。应该放大对小目标预测的bounding box的误差，缩小对大目标预测的bounding box的误差。论文中对长、宽开了根号，非常巧妙的实现了上述目的

3.2 检测阶段

检测阶段没什么可说的，将测试图像送入网络，得到多个bounding box，再应用NMS算法，保留效果最好的bounding box，完成检测。

4 YOLO存在的问题

4.1 缺点

• 输入图像的每个网格只能预测两个bounding box，对这两个bounding box，只能预测出一个类别。回看上面的内容，每个网格均对应一个1x1x30的tensor，其中前5个数为预测的第一个bounding box的参数，再5个数为预测的第二个bounding box的参数，类别信息存储在后20个数中。显然，这两个bounding box共享了这个类别向量。这也就意味着，YOLO是没有办法在一个网格中区分出多个不同类别的目标的，这是个很大的问题。同时，YOLO也很难区别同一网格中同一类的多个目标（鸟群）
• YOLO直接用输入图像的ground truth预测bounding box，因此对特殊比例的ground truth（训练时没见过的比例）的泛化性能较差（在这点上Faster RCNN做的比较好，因为Faster RCNN其实是用ground truth对应的feature maps训练网络，因此泛化性能较好）
• 难以准确定位目标

4.2 优点

• 速度快，45FPS on Titan X GPU
• 相对于Faster RCNN，将背景错认为目标的情况较少出现。这说明，YOLO可有效提取目标的特征

YOLO可以说是暴力美学了，天马行空般的将目标检测任务转化为回归任务，一次训练，就能得到很好的效果。