YOLOv1分析

YOLOv1的结构很简单，和一般的分类网络差别不大。主要是损失函数的设计以及对于训练过程的设计，还有就是网络输出代表的含义。

YOLOv1的输出是一个7*7的矩阵，它假设网络相应index的输出对应于输入图片相应的grid，每个index对应几个b-box，这个b-box是有限定的，它的中心处于grid中，因此我们的目标之一应该是是判断grid中是否包含某个物体的中心，假如中心没有包含在grid中的话，那么对应的index给出的所有b-box也不会准确。

所以，我们的任务应该有：第一：要判断grid中是否有物体的中心。

第二：对b-box进行微调预测。

第三：对b-box所含物体种类进行预测。

但这样，由于一个grid中含有多个b-box，在测试的时候，我们虽然可以根据第一个的概率值得出可能还有物体的grid，却无法判断是哪一个b-box含有物体。所以应该有：

第四：b-box中是否含有物体。如果可以的话，预测出IOU值

在测试的时候，我们根据第一选取出grid（设置一个阈值），根据第四选取出b-box，根据第二和第三获得b-box预测的标签和形状，就完成了目标检测。

在训练的时候，如果grid中有物体中心，对应的index的b-box就有损失，第一也有损失，第三也好办，第四可以通过IOU值来给定是否含有物体的概率。

但是YOLOv1的设计与上面并不一致。它将第三和第一合并，统一为grid包含哪个物体的中心，也就是说，这两个b-box不管如何都是对一种物体的判断，它的任务就是下面三条：

第一：grid包含哪个物体的中心。对应于p(class | object)

第二：对b-box进行微调预测。对应于(x,y,w,h)

第三：b-box中是否含有物体。如果有的话，预测出IOU值。对应于p(object) * predict_IOU(GT, DR)

测试的时候，我们将第一和第三的概率相乘，得到类别概率*IOU，通过阈值来得到b-box。

训练的时候，如果物体中心出现在grid中，对该grid的p(class|object)进行训练。如果物体与某个b-box重合，就对b-box进行训练。

一下我们可以发现它方法的一些问题：

网络结构：

第一个问题：对于一个grid，YOLOv1只能给出一种物体的判断，假如有多种物体的话，就只能识别出一种物体，而且由于存在多个物体，对于各个种类的probobility也会下降， 降低class-specific confidence scores，使得其在测试阶段不被选出，间接的降低了准确率。但是事实上多个物体的中心处在同一个grid的情况并不多见，所以影响可能并不大。它这种将多个b-box的分类都交给grid的原因可能是因为考虑到这些b-box的中心都位于grid中，因此这些b-box很可能对应于同一个物体，这样做能够学习到更多的分类能力，因为共享了分类训练。

第二个问题：对于中心没有在grid中的GT，假如存在着另外的b-box要比中心grid产生的b-box更加准确的话，那么就会让那个b-box进行学习，而实际上是错误的进行了学习。当然这种情况也不多见，因为假如物体的中心都位于grid中了，那么grid中的b-box只要不是过于错误，那么其IOU总是最大的那个。

第三个问题：对于物体的不同形状，YOLOv1虽然将w，h进行了开根号处理来减少尺度影响，让小框损失更大，大框损失更小，从而提高IOU，但是对于中心点却并没有进行考虑，对于大框，中心点偏差的影响依然是小的，而小框的影响是很大的，但是这并没有反映在损失中。这会导致它对小物体的检测结果不好。

第四个问题：在这个网络中，每个grid的学习是分开进行的，这导致我们必须需要大量的样本，才能让损失都能传递给每个grid。

第五个问题：由于最终的feature map只是7*7的map，虽然保留的大量的高层信息（语义），但是却损失了底层信息（主要是空间位置上的），导致对于物体的位置判断不够精确，实际中，定位问题的确占了很大一部分。

损失函数：

第一个问题：如果我们把损失函数的最后一项关于分类的拿掉，我们会发现什么？定位任务是与类别标签无关的，只要出现了一个20类中的物体，检测器就要给出b-box，并且confidence(P(obj) * IOU )就会高，假如它真的能够做到这一点，那说明之前的feature map中出现了与类别无关的部分。但由于实际中，它有较多的错误都是定位引起的，所以这一点并不能肯定。我认为将定位与分类完全分开也并不是一个好主意，因为我们本身就对物体有一个先验的知识，关于它的大小的（或许吧）。