YOLO： Real-Time Object Detection解读

YOLO不同于RCNN系列分为region proposal和classification，YOLO是直接输出box位置和box所属的类别，整张图都是网络的输入，是个回归问题。

---

YOLO的主要特点：

• 速度快，能够达到实时的要求。在 Titan X 的 GPU 上 能够达到 45 帧每秒。
• 使用全图作为 Context 信息，背景错误（把背景错认为物体）比较少。
• 泛化能力强。在自然图像上训练好的结果在艺术作品中的依然具有很好的效果。

YOLO的主要思想就是把一副图片分成7x7的网格，如果某个物体中心落在网格中，这个网格就负责这个物体，在最后一层会输出一个7x7x((4+1)x2+20)维度，每个1x1 x((4+1)x2+20)代表原图中的7x7中的一个，其中4表示坐标，1表示得分，x2表示预测两个box，20表示20个类别。(4+1)的意思是每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息：

confidence=
其中如果有ground true box落在一个格子里，第一项取1，否则取0。第二项是预测的bounding box和实际的ground truth box之间的IOU值。即：每个bounding box要预测 ,共5个值，2个bounding box共10个值，对应 1*1*30维度特征中的前10个。大致流程如下：




NMS算法（非极大值抑制），主要的作用就是来抑制冗余的框，大致过程是迭代-遍历-消除。
1、 将所有的框按得分排序，选中最高分及其对应的框；
2、 遍历余下的框，如果和当前框（得分最高）的IOU大于某个阈值，便将框删除；
3、 从未处理的框中选中一个得分最高的，重复上述步骤
Yolo中的nms执行步骤大致如下：

---

训练策略：

该论文的训练策略，总体给人的感觉：比较复杂，技巧性比较强。可以看得出作者为了提升性能花了不少功夫。

• 首先利用 ImageNet 的数据集 Pretrain 卷积层。使用上述网络中的前 20 个卷积层，外加一个全连接层，作为
  Pretrain 的网络，训练大约一周的时间，使得在 ImageNet 2012 的验证数据集 Top-5 的准确度达到
  88%，这个结果跟 GoogleNet 的效果相当。
• 将 Pretrain 的结果应用到 Detection 中，将剩下的 4 个卷积层及 2 个全连接成加入到 Pretrain
  的网络中。同时为了获取更精细化的结果，将输入图像的分辨率由 224*224 提升到 448*448。
• 将所有的预测结果都归一化到 0~1, 使用 Leaky RELU 作为激活函数。
• 对比 localization error 和 classification error，加大 localization 的权重
• 在 Pascal VOC 2007 和 2012 上训练 135 个 epochs， Batchsize 设置为 64， Momentum
  为 0.9， Decay 为 0.0005.
• 在第一个 epoch 中 学习率是逐渐从10−3增大到10−2，然后保持学习率为10−2，一直训练到 75个
  epochs，然后学习率为10−3训练 30 个 epochs，最后 学习率为10−4训练 30 个 epochs。
• 为了防止过拟合，在第一个全连接层后面接了一个ratio=0.5的 Dropout
  层。并且对原始图像做了一些随机采样和缩放，甚至对调节图像的在 HSV 空间的饱和度。

---

损失函数：

采用sum-squared error loss，做如下调整：
1、 更重视8维坐标的预测，乘以更大的loss weight，在VOC中取λcoord = 5；
2、 对于没有object的box的confidence loss，赋予更小的loss weight，在VOC中取λnoobj = 0.5
3、 对于有object的box的confidence loss和class loss的loss weight 取1。
4、 训练过程中，小的 Box 对位置回归错误比大的 Box 更加敏感，由于w和h都已经归一化到 0~1，之间，作者使用了一个 trick，不是直接使用w和h，而是使用它们的平方根，这样使得，w和h在较小时，相应的√w和√h会大一点。

5、 一个网格预测多个bounding box，在训练时我们希望每个object（ground true box）只有一个bounding box专门负责（一个object 一个bbox）。具体做法是与ground true box（object）的IOU最大的bounding box 负责该ground true box(object)的预测。这种做法称作bounding box predictor的specialization(专职化)。每个预测器会对特定（sizes,aspect ratio or classed of object）的ground true box预测的越来越好。（个人理解：IOU最大者偏移会更少一些，可以更快速的学习到正确位置）（参考：参考链接）
在方程中S取7

---

缺陷：

• 每个格子只预测一个类别的box，而且最后只取置信度最大的box，这就导致了如果多个不同物体（或者同类物体的不同实体）的中心在同一个网格找那个，会造成漏检（对挨着的物体和小物体检测效果不好）；
• 预测的 Box 对于尺度的变化比较敏感，在尺度上的泛化能力比较差；

---

本文很多都是参考：
http://blog.csdn.net/surgewong/article/details/51864859
图片来源： 可能需要
本文链接：http://blog.csdn.net/u011956147/article/details/73013106