Yolo系算法

一．Yolo系算法
目前深度学习相关的目标检测方法大致可以分为两派：
1、基于区域提名的（regin proposal）的，比如R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、R-FCN。
2、基于端到端（end to end）的，无需候选区域，如YOLO、SSD。
二者发展都很迅速，区域提名准确率较好、端到端的方法速度较快。
1）YOLO V1：
核心思想：
将整张图片作为网络的输入，直接在输出层对bounding box的位置和所属类别进行回归。将目标定位和目标类别预测整合于在单个神经网络模型中。
YOLO检测系统步骤简单直接，可以看做只有三步：
1.YOLO检测系统先将输入图像调整到448×448；
2.在图像上运行卷积网络；
3.通过模型的置信度对结果进行阈值。
实现细节：
1.将一幅图像分成 S×S 个网格(Grid Cell)，如果某个object的中心落在某个网格中（通过ground-truth框确定），则这个网格就负责预测这个object。
2.每个网格要预测B个bounding box，每个box除了要回归自身的位置之外，还要附带预测一个confidence值。这个值代表了所预测的bounding box中是否含有object和若有object，这个object预测得有多准的两重信息，3. 每个网格单元针对20种类别预测bboxes属于单个类别的条件概率P r ( C l a s s i ∣ O b j e c t ) Pr(Class_i | Object)Pr(Classi∣Object)，属于同一个网格的B个bboxes共享一个条件概率。在测试时，将条件概率分别和单个的bbox的confidence预测相乘
4. 在Pascal VOC中，YOLO检测系统的图像输入为448×448，S=7，B=2，一共有20个class（C=20），输出就是7×7×30的一个tensor。
网络结构：

YOLO使用了24个级联卷积层和最后2个全连接层，交替的1×1卷积层降低了前面层的特征空间。在ImageNet分类任务上使用分辨率的一半（224×224输入图像）对卷积层进行预训练，然后将分辨率加倍进行目标检测。