[目标检测]：one-stage目标检测算法

概述

相比与图像分类，目标检测更加困难。图像分类只需要分辨图像中的主要物体是什么要找到多个物体，并且预测bounding box。

目标检测模块要预测多个边界框。每个边界框给定一个置信度（confidence score），代表其包含该物体的可能性大小。目标检测算法可以分为one-stage和two-stage。其中two-stage以R-CNN系列为代表，可以看Mask R-CNN 网络结构详解 : R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN, FCN，本文总结一下one-stage目标检测算法,最典型的one-stage检测算法包括YOLO，SSD，SqueezeDet以及DetectNet。

模型详解

网格方法

如果使用回归方法预测，因此一张图片只能预测一个边界框，目标检测器学会专注于某些位置的物体预测多个边界框。one-stage的方法是使用固定网格，two-stage的方法是预测候选框。

目标检测网络一般可以简化为特征提取和目标检测两部分。前者Inception，ResNet以及DarkNet都可以充当，轻量级的有SqueezeNet以及MobileNet；后者预测边界框和概率，两者可以在不同数据集上训练。

假设特征提取器以416×416图像作为输入，经过检测网络，最终输出13×13的特征图，每个特征图包含五个检测器，每个检测器产生25个值，分别是表征类别概率的20个值、4个边界框坐标（中心x，中心y，宽度w，高度h）、1个值表示置信度，置信度用于表征模型认为此预测边界框包含真实物体的可能性。这样会产生大量重叠框，采用非最大抑制（NMS）来去除重叠框。

Anchors 锚机制

网格限制了检测器可以在图像中找到物体的位置，Anchors可以提供物体形状的约束。Anchors是几个长宽比不同的检测器，也可以理解为确定目标形状的先验框。YOLO通过在所有训练图像的所有边界框上进行k-means聚类来选择Anchors，SSD不使用k-means来确定先验框。相反，它使用数学公式来计算先验框尺寸，因此SSD的先验框与数据集无关；另一个小差异是：YOLO的先验框只是宽度和高度，但SSD的先验框也有x，y位置。

预测输出

模型预测的不是边界框在图像中的绝对坐标，而是4个偏移值：
delta_x, delta_y：边界框中心点在网格单元内部的坐标；
delta_w, delta_h： 边界框的宽和高相对先验框的缩放值。
要得到边界框在图像中的真实宽与高，YOLO和SSD计算方式不同。
YOLO：

box_w[i, j, b] = anchor_w[b] * exp(delta_w[i, j, b]) * 32
box_h[i, j, b] = anchor_h[b] * exp(delta_h[i, j, b]) * 32
box_x[i, j, b] = (i + sigmoid(delta_x[i, j, b])) * 32
box_y[i, j, b] = (j + sigmoid(delta_y[i, j, b])) * 32

SSD的先验框坐标是归一化到[0,1]，这样它们独立于网格大小（SSD之所以这样是采用了不同大小的网格）：

# 32代表像素
box_w[i, j, b] = anchor_w[b] * exp(delta_w[i, j, b]) * 32
box_h[i, j, b] = anchor_h[b] * exp(delta_h[i, j, b]) * 32
box_x[i, j, b] = (anchor_x[b] + delta_x[i, j, b]*anchor_w[b]) * image_w
box_y[i, j, b] = (anchor_y[b] + delta_y[i, j, b]*anchor_h[b]) * image_h

预测置信度和概率：

confidence[i, j, b] = sigmoid(predicted_confidence[i, j, b])
classes[i, j, b] = softmax(predicted_classes[i, j, b])
# 在YOLO中，结合置信度和最大类别概率来过滤预测值（条件概率）：
confidence_in_class[i, j, b] = classes[i, j, b].max() * confidence[i, j, b]

以上的预测都是可以通过卷积核来预测输出，每个单元格有5个检测器，每个检测器有25个输出，所以需要125个卷积核，这125个卷积核在所有单元格中共享。

评估

对于目标检测模型，评估指标有

1. 每个检测物体的分类准确度；
2. 预测框与真实框的重合度（IOU）
3. 模型是否找到图片中的所有物体（召回，recall）。

本文参考 深入理解one-stage目标检测算法