论文学习笔记-Gaussian YOLOv3
『写在前面』
高斯YOLOv3，在原版YOLOv3的基础上，针对边界框回归问题进行优化。在保证实时性的前提下，大幅提高了mAP和TP，降低了FP。同时，由于对边界框的置信度进行了建模，多了一个可以进行后处理的方式，以提高边界框回归的准确性。
作者机构：Jiwoong Choi等，Seoul National University.
论文出处：ICCV 2019.
文章标题：《Gaussian YOLOv3: An Accurate and Fast Object Detector Using Localization Uncertainty for Autonomous Driving》
原文链接：https://arxiv.org/pdf/1904.04620
相关repo：https://github.com/jwchoi384/Gaussian_YOLOv3
目录
摘要
1 介绍
2 背景
3 Gaussian YOLOv3
3.1 高斯建模
3.2 损失函数重构
3.3 利用定位不确定性
4 试验结果
摘要
本文通过对YOLO V3中的bbox建模，引入高斯参数，改进LOSS函数中bbox回归分支，在支持实时的条件下提高检测精度。
旨在自动驾驶等任务中降低FP，提高TP.
1 介绍
原版YOLO的输出中包含各个bbox的置信度、类别得分、bbox参数（4个），可以看出，根据输出结果我们是无法得知回归出的包围框是否可靠。高斯YOLOv3首次尝试对YOLOv3中bbox定位的不确定性进行建模。
因为提出的方法只在检测层（YOLO Layer）中对bbox进行建模，所以额外的计算开销可以忽略不计，保证了算法的实时性。
2 背景
本文提出的高斯建模以及对原版YOLOv3中损失函数的重构，旨在减少训练过程中噪声数据产生的影响，并且在预测过程中，可以给出一个定位的准确性，从而进一步改善检测效果。
3 Gaussian YOLOv3
3.1 高斯建模
下图为原版YOLOv3中预测层输出结果示意图。YOLOv3中的预测层输出的feature map中，每个grid会产生3个预测框，每个预测框包含包围框坐标、目标得分和类别得分信息。最终一个目标的综合得分计算方式为目标得分（置信度）和最高类别得分的乘积。因为坐标的预测不像置信度那样是一个得分，而且目标得分大小并不能反映框定位的准确性，所以检测框定位的置信度是未知的。
从上图可以看到，YOLOv3中包围框的坐标通过
四个参数来编码。在本文中，为了对包围框的不确定性进行建模，作者为每个参数建立了一个单高斯模型，其均值对应框位置信息，方差表征框的不确定性。Gaussian YOLOv3的预测层输出如下图所示。
考虑YOLOv3中检测层的结构，在Gaussian YOLOv3中，对于参数，其对应的高斯参数计算如下：
回顾一下YOLOv3中，对框坐标信息的编解码方式：
其中，包围框的w和h需要通过
和先验框的w/h以及指数函数来计算得出。
基于上述讨论，可以解释一下Gaussian YOLOv3中各参数使用如此方法进行编码的原因：
1. 公式(2)中的
和
因为表示的是落在当前grid中的包围框的中心坐标，通过sigmoid函数将其标准化到0~1之间；
2. 公式(3)中的每一个方差都经过了sigmoid函数处理，表征对应的坐标信息的不确定性；
3. 因为原版YOLOv3中，
和
是有正有负的，所以在Gaussian YOLOv3中，没有对其加sigmoid处理，以保证它的正负性。
3.2 损失函数重构
在原版YOLOv3中，bbox的回归使用MSE loss，置信度和类别得分预测使用BCE loss。在Gaussian YOLOv3中，置信度和类别得分预测分支沿用原来的loss，而bbox的坐标因为被建模成高斯模型的参数，bbox回归的loss被重新设计为负对数似然函数(NLL loss)：
其中，
表示
的NLL loss，
的含义以此类推。
W和H分别对应预测层中grids的数目，
K对应anchor数。
表示输出层第(i, j)个grid中第k个anchor的的均值，
表示对应的的不确定性。
表示的Ground Truth，不同坐标信息的GT值编码方式不同，如下所示：
其中，
分别表示GT框在原图中的比例，
分别表示resize后的图像宽和高，
分别表示第k个anchor的宽和高。
此外，加权参数
的计算方式如下：
简单解释一下，越小的GT框分配的权重越大，反之亦然。另外，
的含义同原版YOLO，是一个判别函数，只对当前最匹配的那个anchor进行训练。
由于原版YOLO v3中使用MSE来回归bbox，它不能在训练过程中处理嘈杂数据。然而，Gaussian YOLOv3中重新设计的损失函数可以提供一个对不一致数据的惩罚，即可以通过一致性较强的数据来学习模型。也因此，重新设计的bbox loss使得模型对嘈杂数据更具有鲁棒性。
3.3 利用定位不确定性
在原版YOLOv3计算框综合得分的基础上，再乘上本文提出的（不）确定性，即得到最终的综合得分：
4 试验结果
在KITTI/BDD数据集上测试，定位不确定性越大的框与GT的IoU越小，这符合直观认识，所以证明了本文所提方法的有效性。
mAP涨点：
- COCO +3.1%
- KITTI +3.09% (fps -0.44)
- BDD +3.5% (fps -0.4)