11.YOLO 论文总结

YOLO 物体检测  （ learns general representations of objects ）

是 RCNN 路线之外的另一种方向。速度更快但准确性略低。

功能 ：直接从image pixels 到 边界框坐标 和 类概率 。you only look once (YOLO) at an image 预测 目标有什么、在哪儿。

思想：把目标检测当作 一个空间分隔的边界框 和 相关类概率 的回归问题

性能：YOLO会产生更多的定位错误，但不太可能预测背景中的 false positives

过程：  

优点：运行快（可处理视频流，实时处理）；预测时 reasons globally about the image；学习对象的一般化表示；

模型：

        

 网络设计：24 conv + 2 fc  

                 在 1 x 1(跨通道信息整合) 之后使用 3 x 3 （受googlenet inception 启发） 

                 

训练：预训练 前20层 conv  + 平均池化 + 全连接

          将预训练的模型应用到检测上时，有前人声明：同时 添加 conv 和 fc 到 预训练网络中 可以提高性能

                                                             ----> add  4 conv + 2 fc (随机初始化权重)   ---->  24 conv + 2 fc 

          检测要求详细的视觉信息 --> 增加网络的输入分辨率 （224x224 to 448x448）

          最后一层 预测 class probabilities + bounding box coordinates

损失函数：预测数据与真实数据之间的 坐标误差、IOU误差和分类误差

                         

                  

                   

                 

 

              

需要注意的是，YOLO 每个网格预测两个 bbox，最终只有 1 个 bbox 来负责代表相应的目标的 bbox 位置，它们通过 Confidence 比较，也就是 IOU 比较，胜出的是分数更高的那个，进行 loss 计算时，也是这个 bbox 才能参与。

 

YOLO 把输入图片分割成 SxS 个网格，

如果一个目标的中心点落在某个网格当中，那么对应的那个网格就负责预测这个目标的大小和类别。

相乘的结果是针对每一个 bbox 而言的目标类别概率分布的置信值，这个置信值同时表达了 2 样东西，一个是目标是某个类别的概率，一个是预测的 bbox 离真实的 bbox 有多远

 

 

 

 

补充：

系统将空间限制放在网格单元建议上，有助于减轻对同一对象的多次探测。

YOLO的背景错误要比Fast R-CNN少得多。

YOLO对相互靠的很近的物体，还有很小的群体 检测效果不好

虽然每个格子可以预测B个bounding box，但是最终只选择IOU最高的bounding box作为物体检测输出，即每个格子最多只预测出一个物体。当物体占画面比例较小，如图像中包含畜群或鸟群时，每个格子包含多个物体，但却只能检测出其中一个。这是YOLO方法的一个缺陷

对测试图像中，同一类物体出现的新的不常见的长宽比和其他情况是。泛化能力偏弱。

由于损失函数的问题，定位误差是影响检测效果的主要原因。尤其是大小物体的处理上，还有待加强。