YOLO论文总结

YOLO简介

       \space\space\space\space\space\space       之前的R-CNN系列是一种2-stage的检测网络，即先生成候选区域，然后再对这些区域进行bounding box的回归与分类。2-stage的检测网络过程较为复杂，所以速度比较慢，而且像R-CNN这样的检测网络，中间单独的部分需要分开训练，难以优化。而YOLO将目标检测只看成一个回归问题，只有一个单一的网络（可以端到端的训练），可以直接预测出bounding box的位置及类别，没有中间生成候选区域这一过程，所以被称为1-stage。文章中说只需要看一次输入图像就知道其中目标的位置及类别，所以是You Only Look Once（YOLO）。
       \space\space\space\space\space\space       YOLO的结构如下图所示。输入整幅图像，仅用一个CNN同时预测出多个bounding box的位置及类别。

YOLO细节

       \space\space\space\space\space\space       YOLO首先将输入图像分成$S\times S$的网格，如果某个物体的中心落在某个格子中，那么这个格子就负责检测那个物体。
       \space\space\space\space\space\space       每个网格预测$B$个bounding box，每个bounding box都对应一个置信度评分（confidence score），反应了这个bounding box包含目标的概率以及bounding box位置的准确性，计算公式为$Pr(Object)\ast IO{U}_{pred}^{truth}$，在训练时，当bounding box中不含有目标物体时$Pr(Object)=0$，即此时置信度评分为0；含有目标物体时$Pr(Object)=1$，即此时置信度评分等于bounding box与ground truth box的IOU。
       \space\space\space\space\space\space       每一个bounding box由五个预测值组成：$x,y,w,h$以及置信度评分。$(x,y)$表示了每个bounding box中心点相对于对应网格的偏移值，$w,h$表示bounding box的宽、高相对于整幅图像宽、高的比例。这个过程将$x,y,w,h$归一化到[0,1]之间。具体如下图所示（图片来源）。

       \space\space\space\space\space\space       每一个网格同时还预测$C$个条件概率，即$Pr(Clas{s}_i|Object)$，表示在网格包含物体的条件下属于第i类的概率。注意这里的概率值是针对网格并非每个bounding box。
       \space\space\space\space\space\space       在测试的时候，将类的条件概率与每个bounding box的置信度评分相乘，
$Pr(Clas{s}_i|Object)\ast P$