Yolo系列论文-自问自答

思考3个问题？
第一、模型最后一层输出的值，是什么？
第二、模型输出的结果，如何转换计算，得到最终的预测框？
第三、数据处理计算出来的target，如何得到？也就是如何将数据处理得到的真值和模型预测值匹配上，拿去计算loss？

这三个问题，一直困扰我很久，也反反复复得看，当时看的时候，是想明白了，过了一阵子又忘了，所以还是决定记录下来。

第一个问题

第一、模型最后一层输出的值，是什么？

先来看看论文给出的预测框，这个图

预测框，模型预测出来的结果是，什么意思？ 就是我们的网络，最后一层输出的值，

网络最后一层输出值：
$$第一步结果：t_x,t_y,t_w,t_h$$

从yolov1那里，我们是可以知道，
$$t_x,t_y,t_w,t_h$$是可以直接用来当做最终的预测框，但作者在yolov2中，引入anchor计算的机制，采用归一化，Anchor转换，得到最终预测框。

归一化处理：
$$第二步结果：\sigma \left(t_x\right),\sigma \left(t_y\right),{℮}^{t_w},{℮}^{t_h}$$
$$\sigma 是sigmoid函数，,℮是log函数，论文没有直接给出$$

为什么要归一化处理，不做行不行，答案是行的，放进去做实验，可能模型在收敛和精度上，有比较大的差别。

转换处理：
$$\begin{gathered} 第三步结果： \\ {b}_x=\sigma \left(t_x\right)+c_x \\ {b}_y=\sigma \left(t_y\right)+c_y \\ {b}_w=p_w{℮}^{t_w} \\ {b}_h=p_h{℮}^{t_h} \end{gathered}$$

$$b_x,b_y,b_w,b_h就是我们最终得到的框，就像手工标注的框一样.$$
其中

$$\begin{gathered} p_w,p_h是Anchor的宽和高，c_x,c_y是格子的左上角坐标. \\ （下文，进一步解析这两个参数值，是已知的，固定的） \end{gathered}$$

第一个问题，小结：
从模型计算出来的计算，经过第一、二、三步，最后才得到我们想要的预测值。

第三个问题

数据处理，target值如何计算出来？

第一，输入到loss函数的预测值是什么？
在前面，我们谈到，预测值，有三个阶段的值，可以作为预测输出，但取哪一个送到loss中呢？

答案：
$$\sigma \left(t_x\right),\sigma \left(t_y\right),{℮}^{t_w},{℮}^{t_h}$$
这个数值，将会作为预测值输入给loss。

第二， 如何得到对应的GT值呢？

一个GT框，分2部分: x,y和w，h。
为什么要这样分？ 因为获取x,y,w,h的值，方式是不同的。

先看x,y
一张416x416的图上，可以生成13x13x5个anchor,也就是每个格子里面，先画5个anchor（锚框）。下图是7x7格子的路，来自yolov1的论文。

假设，我想要输入loss的target是这样的：
$$targe{t}_x,targe{t}_y,targe{t}_w,targe{t}_h$$
开始计算
$$targe{t}_x,targe{t}_y$$

1. 计算GT真实框的中心点坐标，落在哪个gird(格子)， 原图大小（416x416）划分为13x13个格子；
   tx = GT真实框中心点坐标cx - 格子左上角x
   然后，再针对格子，把值归一化到 [0,1],即
   sigmoid(tx) = （GT真实框中心点坐标cx - 格子左上角x） / (416/13)
   同理，可得 sigmoid(ty)

第二，w, h
yolov2中，416x416划分为13x13个格子，可以想象为13x13个点，每个点生成5个不同大小的anchor。
那用哪一个anchor 对应给GT真实框呢？ 答案是 求最大IOU值。

格子的左上角坐标，其实 刚好就是anchor的中心点，因为5个anchor，就是在这个点上生成出来的。

在第一步中，已经知道GT真实框落到某个格子上，然后这个格子有5个不同大小的anchor，
求5个anchor与GT真实框的IOU，IOU最大的，就是选中的anchor。

exp(th) = GT真实框的H / anchor的H

计算公式：
bx = sigmoid(tx)+cx

通过观察，我们发现，
每个格子的左上角这个点，就是anchor的中心点.

参考

• Understanding a Real-Time Object Detection Network: You Only Look Once (YOLOv1)