目标检测复盘 -- 5. YOLO v1-v3

YOLO v1

论文思想

应该怎么理解呢？其实相比较于RCNN系列，YOLO系列没有RPN这种模块了，而是直接输出或者叫做直接回归出来结果，最终的输出是一个特征图，大小为7 * 7 * [ (4+1) * 2 + 20]，这个尺寸又怎么理解呢？7*7是特征图大小，4是bounding box的x,y,w,h，1是confidence，*2的意思是每个pixel地方预测两个bounding box，最后的20代表20个类别得分（如下方网络结构那张图所示）

注意点

预测的xy值是限定在负责预测pixel的框的中间，是一个相对坐标，宽高也是一个相对值，相对整个图像而言，xywh都是0到1之间的一个数值，confidence在训练的时候值为$Pr(Object)\ast IO{U}_{pred}^{truth}$，Pr那一项如果有目标则为1,没有目标则为0。

这里的网络输出的直接是bounding box的位置，YOLOv1是没有anchor概念的，不想Faster RCNN或者SSD最终的结果是对anchor的微调，这里直接的输出就是bounding box

网络结构

损失函数

损失函数，注意这里主要采用误差平方和作为loss，为了让小目标更敏感，这里对数据进行了开方，这样小目标更敏感，大目标相对没那么敏感

YOLOv1存在的问题：

1. 对群体性的小目标检测效果比较差（因为每个cell有两个bounding box，且属于同一个类别，最后选择confidence高的留下来）
2. 对于训练集没有出现过的目标的长宽比效果比较差（没有anchor的原因，直接回归有更大
   的定位误差）

YOLO v2

YOLOv2进行了很多尝试，最终的效果相比YOLOv1也提升了很多

Better部分

• BN，能够加速模型收敛，也起到了正则化的作用，所以可以移除掉dropout方法
• 高分辨率，YOLOv1使用了224*224，v2使用了448*448的图片，使用大分辨率能够提升约4个点
• 使用基于achors的方法，v1由于定位偏差比较大，所以最终bounding box效果不好，再者，使用anchor也更容易收敛，主要是提高了模型的召回率（查全率）
• 使用kmeans方法生成priors，就是Faster RCNN中的anchor、SSD中的default box，带来了约5个点的提升
  
• 在Faster RCNN中的位置求解如下，坐着发现，在训练的早起，模型不是非常稳定，原因是生成的xy可以在图像中的任意位置，所以在YOLOv2中，对求解公式进行调整，最终结果是将预测的偏移量$t_x$限定在0到1之间，也就是限定在那个pixel上
  
• 更精细的特征，最终的feature map的大小是13*13，YOLOv2将13*13和之前的26*26分辨率的特征图进行了融合(simply adding a passthrough layer，使用concat的方式)，这样对小目标更友好，使用的paathrough方法如下，这个方法在很多模型中都很常见（YOLOv5的slice模块）

• 多尺度训练，每迭代10个batch，尺寸就变换一次，也可以提升模型的鲁棒性

Faster部分

YOLOv2使用darknet19作为骨干网络，包含19个卷积层，最终结构如下：
（注意，如果使用BN，那么卷积中的bias就不起任何作用）
模型最终输出为(4+1+20)* 5，5个bounding box，每个bounding box有4个尺寸参数和一个confidence再加上20个类,
至于正负样本以及损失函数，和YOLOV1一样，并没有做出改变

YOLO v3

YOLO v3使用Darknet53作为backbone，结构如下：
图中发现，darknet53和resnet152相比，accuracy基本一致，但是速度翻倍，这里darknet53是没有最大池化层的，下采样是采用卷积的方式来进行的，darknet53卷积参数更少，所以更快

YOLO v3的head，输出有3个head，三个尺度的预测

注意，这里边界框的预测和v2一样，是相对于网格的左上角坐标，而在FasterRCNN和SSD中，是相对于anchor中心点的偏移

样本匹配

一个GT分配一个正样本，对于那些大于一定阈值且不是最好的样本选择忽略。如果一个样本没有分配给GT的话，那么不计算样本的定位损失和类别损失，只计算objectness，也就是confidence的计算

但是上面这种方法只有很少的样本参与到计算，不利于模型收敛，在u版的实现中，样本匹配策略如下：
有多个模板，当模板和gt的IOU大于某一阈值，则被认为是正样本，如果多个模板都满足要求，则将gt分配给多个anchor作正样本输入

损失计算

三部分组成

置信度损失

逻辑回归使用二值交叉熵损失，

类别损失

也是二值交叉熵

类别损失的理解 ，注意图中的类别之和不为1,因为是binaray cross entropy，而不是sotmax cross entropy，所以和不为1

定位损失

需要经过转换，然后使用平方和作为loss，注意这里要把gt值转换成和预测值一样的量来进行loss计算，而不是直接使用xywh