目标检测论文精读（１）－ YOLOv1

YOLO v1原论文地址 https://arxiv.org/pdf/1506.02640.pdf

Introduction

YOLOv1之前的目标检测算法基本都是通过重用分类器实现目标检测的，但是YOLOv1把目标检测看作一个单一的回归问题，从空间上分割边界框、预测有关的类别概率。

The YOLO Detection System

YOLOv1的检测流程如上图所示，先输入一张图片，（１）然后将该图片裁剪成448*448，（２）再在这张图片运行单个卷积神经网络，（３）最后再根据求得的模型置信度对检测结果进行阈值处理。

The Model

模型如上图所示，把裁剪后的图片划分成S*S的网格，每个网格预测Ｂ个边界框以及每个边界框的置信度，然后每个网格还得预测Ｃ个类别概率，所以最后预测到的目标标签是一个S * S * (B * 5 + C)的tensor，这里的５就是对应下图这５个数据（ｘ，ｙ：边界框中心点坐标；ｗ，ｈ：边界框宽度和高度；ｃ：置信度）。
边界框置信度：如果边界框中没有目标，则置信度为０；否则，计算预测框与真实框交集与并集的并集．

The architecture

YOLOv1的网络结构如上图所示，有24个卷积层和２个全连接层，最后结果是７×７＊３０的维度，７＊７就是网格的划分，论文里Ｂ＝２，Pascal VOC有２０个类别，所以３０＝（２＊５＋２０）。

Loss function

YOLOv1的损失函数由定位预测损失，置信度预测损失，类别预测损失构成。
解释：
（１）对定位预测损失中的ｗ和ｈ进行开根号处理，是为了强化小目标的损失。
（２）又因为实际情况往往是大多数网格并不包含目标，为了平衡这一点引入了2个参数λcoord(=5)和　　　　λnoobj(=0.5)。

Innovation

（１）首先YOLOv1非常快，输入一张新的图片，在基础网络上能达到４５帧每秒，快速版本则达到了１５０帧每秒，而且，它的精度达到了之前其它实时系统的２倍多。

（２）其次YOLOv1预测是在整张图片上进行全局的推理，也就隐式地编码了上下文信息，所以它的背景误检率也要小很多。

（３）第三点就是YOLOv1学习的是目标的泛化表示，所以它检测艺术品等时表现较好。

Results

Real-Time Systems on Pascal VOC 2007

FPS<30的就视为Less Than Real-Time系统，YOLOv1在实时系统中精度大幅提升，速度也有所提升。

Error analysis

与Fast R-CNN相比，YOLOv1的背景误检率要小了一大半，但是它的定位错误率也比Fast R-CNN高了很多。

Generalization results on Picasso and People-Art datasets

上图是YOLOv1在检测艺术品时的表现，通过图ｂ可以看出YOLOv1在VOC 2007上的精度虽然比别的算法稍好一些，但是在Picasso和People-Art这种艺术品数据集上的精度明显领先于其它的算法。

注：本页面绝大多数图片来自原论文，小部分图片来自网络博客，引用本博文请注明出处。