论文笔记：You Only Look Once：Unified, Real-Time Object Detection（YOLO）

论文笔记：YOLO

简介

这是CVPR2016的一篇很经典的目标检测论文，一阶段目标检测鼻祖，提出了一个非常实时的目标检测算法。YOLO把检测问题视为一个单纯的回归问题，比起之前的算法，YOLO预测出假阳性结果（把背景预测成某个类别）的可能性比较低，但是位置误差比较大。当然，YOLO最大的特点就是速度快，可以实现实时检测。

方法

1. 将图片分成S*S个格子（s=7）
2. 每个格子负责预测中心B个（B=2）落在格子内的物体的检测框和1个类别，x,y,w,h,confidence（都是0-1），和类别（20类的话，就是20个0-1范围的数字表示每个类别的概率），也就是网络输出尺寸是一个20+2*5的向量
3. 通过每个格子预测出的向量，就可以知道所有的检测结果（检测框中心位置、尺寸、confidence、类别），再通过设置阈值和NMS，就可以把符合要求的结果筛选出来。

网络设计

训练

loss采用SSE（平方和误差），因为这样的loss容易训练，但是这样的话，会存在这几个问题：

1. 位置误差和分类误差同等对待并不合理
2. 很多格子里面没有任何物体，直接这么训练容易让所有confidence收敛到0

因此，增加有物体的格子的loss权重，减小没有物体的格子的loss权重，取λ_coord = 5 , λ_noobj = 0.5进行加权计算loss。
此外，为了反映小物体的尺寸小偏差比大物体的尺寸小偏差影响严重，box宽高选择开根后误差的平方进行计算。
计算公式如下：

局限性

• 每个格子只能预测两个框，一个类别，导致网络难以处理成群小目标；
• 难以处理长宽比不寻常的目标；
• 训练时对大小目标的误差一视同仁，然而实际上一个小偏差对于大目标来说影响很小，但是对于小目标来说影响很大。

实验结果