讀論文系列：Object Detection CVPR2016 YOLO

CVPR2016： You Only Look Once:Unified, Real-Time Object Detection

轉載請註明做者：夢裏茶

YOLO，You Only Look Once，摒棄了RCNN系列方法中的region proposal步驟，將detection問題轉爲一個迴歸問題

網絡結構

• 輸入圖片：resize到448x448

• 整張圖片輸入卷積神經網絡（24層卷積+2層全鏈接，下面這張示意圖是Fast YOLO的）

• 將圖片劃分爲SxS個格子，S=7
• 輸出一個SxS大小的class probability map，爲圖片上每一個格子所屬的分類

• 輸出爲每一個格子輸出B個bounding box，每一個bounding box由x,y,w,h表示，爲每一個bounding box輸出一個confidence，即屬於前景的置信度

因而輸出能夠表示爲一個SxSx(B*(4+1)+C)的tensor，訓練只須要根據數據集準備好這樣的tensor進行regression就行

• 對全部bounding box按照confidence作非極大抑制，獲得檢測結果

訓練

Loss

• 前兩行爲定位loss，λ_coord爲定位loss的權重，論文中取5
• 第三行爲一個bounding box屬於前景時的置信度迴歸loss，
  • 當格子中有對象出現時，真實C_i爲1，
  • 1_ij^obj是一個條件表達式，當bounding box「負責(is responsible for)」圖中一個真實對象時爲1，不然爲0，
  • 所謂「負責」，指的是在當前這個格子的全部bounding box中，這個bounding box與真實的bounding box重疊率最大
• 第四行爲一個bounding box屬於背景時的置信度迴歸loss，
  • 爲了不負樣本過多致使模型跑偏， λ_noobj=0.5，
  • 1_ij^noobj是一個條件表達式，爲1_ij^obj取反
  • 因而咱們能夠發現一個格子的兩個bounding box的分工：一個貢獻前景loss，一個貢獻背景loss ，不管是前景背景box，咱們都但願它們的confidence接近真實confidence，實際上，若是 λ_noobj=1， 第四五行能夠合併爲一項求和，但因爲背景box太多，因此才單獨拆開加了權重約束
• 第五行爲分類loss，1_i^obj是一個條件表達式，當有對象出如今這個格子中，取1，不然取0

YOLO裏最核心的東西就講完了，其實能夠把YOLO看做固定region proposal的Faster RCNN，因而能夠省掉Faster RCNN裏region proposal部分，分類和bounding box regression跟Faster RCNN是差很少的

細節

Leaky Relu

網絡中只有最後的全鏈接層用了線性的激活函數，其餘層用了leaky Relu：f(x)=max(x, 0.1x)

對比Relu和leaky Relu

在x小於0的時候，用了0.1x，避免使用relu的時候有些單元永遠得不到激活（Dead ReLU Problem）

Fast YOLO

卷積層更少，只有9層卷積+2層全鏈接，每層filters也更少，因而速度更快

實驗效果

• 對比當前最好方法：

Fast YOLO速度最快，準確率不過高，但仍是比傳統方法好，YOLO則比較中庸，速度不慢，準確率也不過高，但也還行。

• 再看看具體是在哪些類型的圖片上出錯的：

主要是定位不許（畢竟沒有精細的region proposal），可是在背景上出錯較少（不容易把背景當成對象）

缺點

• 固定的格子是一種很強的空間限制，7x7的格子決定了整張圖片最多預測98個對象，對於對象數量不少的圖片（好比鳥羣）無能爲力
• 難以泛化到其餘形狀或角度的物體上
• 損失函數沒有考慮不一樣尺寸物體的error權重，大box權重和小box權重同樣

Summary

Anyway，YOLO結構仍是挺優雅的，比Faster RCNN黑科技少多了，更重要的是，它是當時最快的深度學習檢測模型，也是很值得確定的。