【论文阅读笔记】YOLO v1——You Only Look Once: Unified, Real-Time Object Detection
You Only Look Once: Unified, Real-Time Object Detection
- （一）论文地址：
- （二）核心思想：
- （三）网络结构：
- （四）Unified Detection：
- （五）实验细节：
- 5.1 激活函数：
- 5.2 坐标归一化：
- 5.3 Loss 函数：
- 5.4 训练细节：
- （六）实验结果：
（一）论文地址：
https://arxiv.org/pdf/1506.02640.pdf
（二）核心思想：
YOLO v1 的提出基本是 one-stage 方法的里程碑，作者使用了全局全连接的方法，将目标检测问题重新定义成了一个回归问题，并使得每个预测框都具有全局信息，实现了真正端到端的训练；
并且实验结果也非常出色，不仅比 R-CNN 和 DPM 更快（45 FPS），而且准确率也有了很大的提升；而且一个更小的网络 Fast YOLO，在准确率不受很大影响的情况下，速度达到了 155 FPS；
（三）网络结构：
YOLO 的 backbone 依然采用了分类网络，但最后两层使用了全卷积层，最终输出一个 7×7×30 的特征层，其中每个点由于是全连接输出，都考虑了全局的特征信息；
（注意由于使用了全卷积，图像必须是统一448×448大小）
（四）Unified Detection：
这里是 YOLO 的点睛之笔；
YOLO 为了实现端到端（end-to-end）的训练，不再采用预选框（anchor 或者 default box），而是直接将图像划分成 S × S S×S S×S 个网格区域（文中 S = 7 S=7 S=7）；
每个区域预测的值为：
- 该区域覆盖的相应物体的 B B B 个坐标框的 4 4 4 个值（文中 B = 2 ） B=2） B=2），分别为 { x , y , w , h } \lbrace x,y,w,h \rbrace {x,y,w,h}，同时输出这 B B B 个预测框的置信度 p b p_b pb，选取置信度最高的那个预测框作为最终的结果；
- 该区域覆盖物体的分类置信度 C C C，其中在 VOC 数据集中 C C C 是长度为 20 20 20 的分类向量；
只有物体的真值框中心落入相应的区域，该区域才被标注为正样本，其置信度定义为：
即相应物体预测框与真值框的交并比（IOU）；
因此每个区域生成 B × ( 4 + 1 ) + C = 30 B×(4+1)+C=30 B×(4+1)+C=30 个预测值，最后全连接层的输出大小为 S × S × 30 S×S×30 S×S×30；
这里使用 B B B 个预测 box 并生成置信度，是为了提高预测结果的容错率；增大 B B B 可以提高模型的鲁棒性，但相应的全连接层的计算复杂度也会大大提高；
（五）实验细节：
5.1 激活函数：
激活函数使用了 Leaky ReLU：
5.2 坐标归一化：
将预测的坐标值 { x p , y p , w p , h p } \lbrace x_p,y_p,w_p,h_p \rbrace {xp,yp,wp,hp} 归一化为：
x p = ( x − x b ) / L , y p = ( y − y b ) / L x_p=(x-x_b)/L,y_p=(y-y_b)/L xp=(x−xb)/L,yp=(y−yb)/L
w p = w / W , h p = h / W w_p=w/W,h_p=h/W wp=w/W,hp=h/W
其中：
- x , y , w , h x,y,w,h x,y,w,h 是真值框的坐标；
- x b , y b x_b,y_b xb,yb 为对应区域的中心坐标；
- W W W 是图像边长，文中 W = 448 W=448 W=448；
- L L L 为步长，即 L = W / S L=W/S L=W/S；
5.3 Loss 函数：
Loss 函数使用了均方差损失函数；
同时为了调节正负样本不均衡问题，引入了两个权重参数：
- λ c o o r d = 5 \lambda_{coord}=5 λcoord=5，表示正样本的坐标回归权重；
- λ n o o b j = 0.5 \lambda_{noobj}=0.5 λnoobj=0.5，表示负样本的置信度权重；
负样本的预测坐标和类别向量不参与训练；
最终 Loss 定义如下：
5.4 训练细节：
b a t c h s i z e = 64 batch_size=64 batchsize=64
m o m e n t u m = 0.9 momentum=0.9 momentum=0.9
w e i g h t weight weight d e c a y = 0.0005 decay=0.0005 decay=0.0005
l e a r n i n g learning learning r a t e rate rate 从 1 0 − 3 10^{-3} 10−3 先升到 1 0 − 2 10^{-2} 10−2 再降到 1 0 − 4 10^{-4} 10−4；
d r o p drop drop r a t e = 0.5 rate=0.5 rate=0.5
（六）实验结果：
（作者挑的图好奇怪，，，）