YOLOV1论文详解

YOLOV1

1. Introduction

YOLO非常简单：对于一张完整的图像，通过一个单一的卷积网络可以同时预测多个bounding boxes的回归参数和这些boxes的类别概率，并直接优化检测性能。这种统一的模式相对于传统的目标检测有以下几个好处：

1. 检测特别快。
2. 与滑动窗口和基于region proposal的技术不同，YOLO在训练和测试期间可以看到整个图像，因此它能隐式地编码类别以及它们的外观的上下文信息
3. YOLO学习地是目标的通用表示法，具有高度的通用性

但是，在准确性上，YOLO仍然落后于最先进的探测系统。虽然它可以快速识别图像中的物体，但它很难精确定位某些物体，特别是小的物体。

2. Unified Detection

我们的网络将输入图像划分为$S\times S$的网格，如果一个目标的中心落在这个网格中，那么这个网格就负责检测该目标

每个网格预测$B$个bounding boxes和这些boxes的置信度。这些置信度反映模型对boxes包含目标的自信程度，以及它认为boxes预测准确的准确度。从形式上来说，我们将置信度定义为：$Pr(Object)\ast IO{U}_{pred}^{truth}$。

每个bounding box不仅要预测$x,y,w,h$和confidence共5个值

• $x,y$：表示预测box的中心相对于网格单元的边界
• $w,h$：表示预测的宽度和高度相对于整个图像
• confidence：置信度

还要$C$个预测类别概率，$Pr(Clas{s}_i|Object)$。这些概率取决于包含目标的网格单元。对于每个网格单元，我们仅会预测一个类别概率，与box的数目无关。

总结： 每个输入图像被划分为$S\times S$个网格单元，每个网格单元预测$B$个bounding box，每个bounding box包含5个值：$x,y,w,h$和confidence，另外每个单元格要预测$C$个类别概率，因此每个输入图像经过YOLO会被编码为一个$S\times S\times (B\ast 5+C)$的tensor

为了在PASCAL VOC测试YOLO，我们设置$S=7,B=2$。PASCAL VOC有20个类别，所以$C=20$。因此我们的最终输出为一个$7\times 7\times 30$的tensor

2.1 Network Design

网络的初始卷积层从图像中提取特征，而全连接层预测输出概率和坐标信息

2.2 Training

我们首先在ImageNet训练集进行预训练，对于预训练，我们使用上图中前20个卷积层，然后是一个平均池化和一个完全连接层。

然后我们将模型转为去进行目标检测，我们在预先训练好的网络基础上添加了4个卷积层和2个全连接层，并将网络的输入分辨率从224x224提高到448x448

我们网络的最后一层预测了类别概率和bounding box坐标信息。我们通过图像的高度和宽度将bounding box的高度和宽度进行归一化，使其在0和1之间；bounding box的中心是相对于某一个网格单元的offset，其值也在0和1之间

我们使用leaky-ReLU作为激活函数

由于均方误差容易优化，故我们使用均方误差来优化我们的模型，但存在者一些问题：

1. 它赋予同样的权重对于定位误差和分类误差，这是不合理的
2. 在每个图像中，许多网格单元不包含任何目标，这使得这些网格单元的置信度趋向0，这会超过那些包含目标的网格单元的梯度
3. 这些会导致模型不稳定，导致训练早期发散

我们通过数${\lambda }_{coord}，{\lambda }_{noobj}$这两个参为了解决上述问题，我们增加权重在bounding box坐标预测损失，减少权重在不包含目标的网格单元的置信度损失。我们设置${\lambda }_{coord}=5，{\lambda }_{noobj}=0.5$

对不同大小的box预测中，相比于大box预测偏一点，小box预测偏一点是更不能被忍受的。而均方误差中对不同大小box同样的偏移loss是一样。 为了缓和这个问题，我们将box的宽高取平方根代替原本的宽高。如下图：

每一个网格单元会预测多个box，希望的是每个·box predictor·专门负责预测某个目标。具体做法就是看当前预测的box与ground truth box中哪个IoU大，就负责哪个。

在训练期间，我们会优化如下这个损失函数：