目标检测总结：YOLO系列（1）

之前两篇文章介绍了two-stage 的目标检测框架，本文开始介绍 one-stage。

YOLO v1

YOLO，解决了目标检测中最大的难题：速度，它为目标检测提供了新的思路。
主要特点：1，快，2，将背景预测为前景的错误率小，3，泛化能力强。
主要思想：

• 将整张图作为网络的输入，直接在输出层回归box的位置和类别。
• 将图像分为S×S个网格，如果某个object的中心落在这个网格中，则这个网格就负责预测这个object。
• 每个网格要预测B个box，坐标+confidence，共5维。confdience计算如下，
• 每个网格预测5维，同时还要预测类别信息（假设有C类），则输出为S×S×（5×B + C）。文中S为7，B取2
• ，VOC数据集的C为20
  网络
  
  其他细节
• 改用 leaky ReLU激活函数：修正了数据的分布，保留了负值，是的负的数据不会全部丢失。增加了模型的泛化能力。
  
• 损失函数计算，使用sum-squared error loss，存在的问题：第一，8维的localization error和20维的classification error同等重要显然是不合理的； 第二，如果一个网格中没有object（一幅图中这种网格很多），那么就会将这些网格中的box的confidence push到0，相比于较少的有object的网格，这种做法是overpowering的，这会导致网络不稳定甚至发散。
  解决方法：坐标的预测有更大的权值(5)，对没有object的box的confidence权值更小(0.5)，有object的box的confidence正常（1）。
  
  
• 对不同大小的bbox预测中，相比于大bbox预测偏一点，小box预测偏相同的尺寸对IOU的影响更大。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题，作者用了一个巧妙的办法，就是将box的width和height取平方根代替原本的height和width。
• box与gtbox的iou最大的predictor负责当前的object。
  缺点
  互相靠近的物体，小群体检测效果不好，如果出现新的不常见的长宽比的目标，泛化能力弱，定位不准确，尤其是在处理大小目标时。

YOLO v2

Yolo v1版本有两个缺点：1.定位不准确，2.召回率低

改进点：

• 网络加入了BN层
• 高精度的预训练，原来预训练的ImageNet的尺寸从224 变为448
• 借助Faster RCNN中anchor的思想，首先更改了网络模型，去除了原来网络的全连接层和最后一个Pooling层，使得最后的卷积层有更高的分辨率，然后缩减网络，用416size大小的输入代替原来448大小的，样做的原因在于希望得到的特征图都有奇数大小的宽和高，奇数大小的宽和高会使得每个特征图在划分cell的时候就只有一个center cell（比如可以划分成77或99个cell，center cell只有一个，如果划分成88或1010的，center cell就有4个）。为什么希望只有一个center cell呢？因为大的object一般会占据图像的中心，所以希望用一个center cell去预测，而不是4个center cell去预测。网络最终将416416的输入变成1313大小的feature map输出，也就是缩小比例为32。
• 原来的Yolo是将图像分成7×7的网格，每个网格预测两个box，现在每个grid预测9个anchor
• Dimensional Clusters
  我们知道在Faster R-CNN中anchor box的大小和比例是按经验设定的，然后网络会在训练过程中调整anchor box的尺寸。但是如果一开始就能选择到合适尺寸的anchor box，那肯定可以帮助网络越好地预测detection。所以作者采用k-means的方式对训练集的bounding boxes做聚类（加入先验知识），试图找到合适的anchor box。
  另外作者发现如果采用标准的k-means（即用欧式距离来衡量差异），在box的尺寸比较大的时候其误差也更大，而我们希望的是误差和box的尺寸没有太大关系。所以通过IOU定义了如下的距离函数，使得误差和box的大小无关：
  在分析了聚类的结果并平衡了模型复杂度与recall值，作者选择了K=5。
• direct location prediction：并没有采用直接预测offset的方法，沿用了yolo算法中直接预测相对于grid cell的坐标位置的方式。
  faster RCNN
  yolo
  yolo预测的是边界框的中心店相对于对应cell左上角的相对偏移量。cxcy分别是一个cell和图像左上角的距离。如下图所示：
  
• Fine-Grained Features
  在最后13×13size的特征层和前一个26×26大小的特征层进行concat。吸收更大的特征层，有利于检测较小的object。具体操作是将26×26×512的feature变为13×13成2048的feature，然后和高层的13×13的特征进行concat。
• 多尺度训练 [320,352… 608].均为32的倍数。
• 另外，需腰注意的是，v2中每个grid cell 预测五个box，每个box（5个坐标，20类）。与v1不同，v2针对同一个gridcell中的box的类别是不同的。

Darknet

为了使目标检测更快，作者提出了新的网络模型，darknet。类似于VGG，反复堆叠3×3的卷积层，同时用全局池化代替全连接。