YOLO v1~v3学习心得

前言

    最近因为工作需要，接触了目标检测领域的相关知识，主要学习了YOLO v1~v3的内容，主要参考的是YOLO官方提供的论文以及网上一些大佬的学习笔记。由于刚刚接触目标检测领域，有写的不对的地方还请指正。

YOLO v1

原文链接

研究背景

    之前的目标检测经常被看作一个分类问题，常见的方法包括DPM（Deformable Parts Models）、R-CNN（Fast R-CNN、Faster R-CNN）等。
DPM：
采用对应类别的分类器去评估图像中各个位置和区域是否包含物体、包含那种物体。DPM采用滑动窗口（sliding window）机制，保证分类器可以遍历整张图片。
R-CNN
采用区域预测方式（region proposals methods）：首先生成潜在的bbx（bounding box）,再通过分类器判断是否包含物体，最后再去判断物体的类别。
缺点：每个部分分开训练，优化困难。
注：这部分翻译自YOLO v1的官方论文，没有更加深入地了解，以后有时间会进行更加细致的了解。

YOLO v1介绍

概述

    YOLO将目标检测抽象成了一个简单的回归问题，输入图像，直接输出边界框坐标和类别概率，用一个系统完成了所有工作。
优点

• 检测速度快，YOLO的检测框架仅包含一个卷积神经网络，pipline非常简单；
• YOLO采用全局图像进行检测，不容易产生背景误判；
• YOLO学习到物体更加泛化的特征，在应要到新领域的时候，表现出较好的泛化性。

实现方法

这里先给一张论文中的图，展示YOLO的基本思想：

    YOLO算法首先将输入图像分割成S*S的网格（grid cell），每个网格都会预测B个bbx，每个bbx又会包含5个预测值 ：(x, y), (w, h)和置信度。
(x, y) :框的中心（相对于网格边界）；
(w, h)：bbx相对于整个图片的宽和高；
置信度：$Pr(Object)\ast IO{U}_{truth}^{pred}$（若没有物体，置信度为0，否则置信度则为预测边框和真实边框的IOU（intersection over union，交并比））。
    某个网格包含某一类别物体的置信度用$Pr(Class|Object)$来表示，最终，一个bbx属于某个特定类别的置信分数可以表示为：
    $Pr(Class|Object)\ast Pr(Object)\ast IO{U}_{pred}^{truth}=Pr(Clas{s}_i)\ast IO{U}_{pred}^{truth}$

因此，YOLO最后的输出是$[S,S,B\ast 5+C]$的张量！！！

网络设计

     YOLO的架构沿用了GoogleNet的形式，完整版的模型中包含24个卷积层和2个全连接层；快速版的YOLO（fast YOLO）减少了卷积层（9层），其他细节均是一样的。
注1：这里存一个疑，一个卷积核难道不应该是$7\ast 7\ast 192$吗?
注2：$1\ast 1$的卷积核作用：特征降维，节省计算量；增加模型的非线性表达能力。

训练

1. 预训练
     基于ImageNet 1000-class数据集，将YOLO中的前20个卷积层连接上一个平均池化层和全连接层进行了预训练。训练图片的像素为224*224。

2. 训练
     在预训练网络模型的基础上加入了四个卷积层和两个全连接层，采用随机权重初始化策略，并将输入图像的像素从224224增加到448448。

3. 激活函数

• 最后一层采用线型激活函数；
• 其它层采用leaky rectified非线性激活函数：
  ϕ ( x ) = { 0.1 x ,      o t h e r w i s e x ,            i f x > 0 \phi(x) = \lbrace_{0.1x,\space \space \space \space otherwise}^{x,\space \space \space \space \space \space \space \space \space \space if x> 0} ϕ(x)={ 0.1x,    other