深度学习之目标检测YOLO读后感（理论篇）

背景：最近在学习深度学习中目标检测相关的知识点，看了一些论文，这里挑出YOLO这篇论文，写一篇博客记录一下读后感，供自己回忆，供有需要的人参考~

1、YOLO（目标检测One-Stage中的“典型”）

一、概述：

YOLO（you only look once）是Joseph Redmon等人在2016年CVPR中提出的One-Stage类型的算法，也是继RCNN、faster-RCNN之后，又一里程碑式的目标检测算法。yolo在保持不错的准确度的情况下，解决了当时基于深度学习的检测中的痛点——速度问题。YOLO的论文作者中也可以看到Ross Girshick大神身影，也是RCNN家族的作者，所以YOLO正可谓是强强联合的作品。

Two-Stage: RCNN家族
1）通过专门模块去生成候选框（RPN），寻找前景以及调整边界框（基于anchors）
2）基于之前生成的候选框进一步分类以及调整边界框（基于proposals）
One-Stage: SSD、YOLO
基于anchors直接进行分类以及调整边界框

二、算法流程：

​​

 YOLO总体算法步骤可以分为三步： 

1、图像尺寸预处理：

首先对输入的图片进行resize操作，使得shape为448 x 448，接着：

1）将一副图像分成SxS个网格（grid cell），如果某个object的中心落在这个网格中，则这个网格就负责预测这个object

2）每个网格要预测B个（一般是2个）bounding box，每个bounding box除了要预测位置之外，还要附带预测一个confidence值，每个网格还要预测C个类别的分数

2、YOLO网络处理：

拿到步骤1的输出，作为本步骤的输入，然后YOLO使用了24个卷积层、4个最大池化层，2个全连接层对输入的指定shape的图片进行处理，最后每个bounding box要预测B个（一般是2个）bounding box，每个bounding box (x, y, w, h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。即SxS个网格，每个网格除了要预测B个bounding box外，还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。（注意：class信息是针对每个网格的，即一个网格只预测一组类别而不管里面有多少个bounding box，而confidence信息是针对每个bounding box的。）

例如：在PASCAL VOC中，图像输入为448 x 448，取S = 7， B = 2，一共有20个类别（C = 20），最后输出得到了一个7 x 7 x 30的tensor，其中可以看成是由49个1*1*30的长条(tensor)组成，那么这个长条就对应原图中的一个grid cell对应的结果。
 

输出：

​

 

3、YOLO网络处理：

得到每个box的class-specific confidence score之后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS（非极大值抑制non-maximum suppression）处理，就得到了最终的检测结果。

三、YOLO框架：

​

 

 四、YOLO读后感：

创新点：

1、One-Stage的典型代表，检测速度快，正可谓是天下武功，唯快不破！

不足之处：

1、对于群体小目标检测效果较差，比如一张图片中有一群飞过天空的小鸟。

2、YOLO容易产生物体的定位错误。

参考博客如下，感谢~

博客1

五、损失计算：

损失：bounding box损失、confidence损失、classes损失，计算损失用的都是sum-squared error（误差平方和）