YOLOv1-darknet 内容解析

目录

• YOLOv1-darknet 内容解析
  • 1. 核心思想
  • 2. 特色
  • 3. 缺点
  • 4. 算法流程
  • 5. 详细内容
  • 6. 主要参考

YOLOv1-darknet 内容解析

1. 核心思想

目标检测分为二阶段和一阶段的方法，二阶段方法主要有Fast R-CNN系列，Mask R-CNN等，主要方法是用算法生成一些列做为样本的候选框，而后再使用卷积神经网络进行样本的分类；

一阶段方法（End to End方法）主要有SSD系列，YOLO系列，这种方法是将目标边框的定位问题转化为回归问题处理。

因为思想的不一样，二阶段检测方法在检测准确率和定位精度有优点，一阶段检测方法在速度上占有优点。

因此YOLO的核心思想是,直接在输出层回归bounding box的位置和bounding box所属的类别(整张图做为网络的输入，把 Object Detection 的问题转化成一个 Regression 问题)。

2. 特色

1. 速度快，由于没有复杂的检测流程，只须要将图像输入到神经网络就能够获得检测结果，YOLO能够很是快的完成物体检测任务。
2. YOLO在训练和测试时都可以看到一整张图像的信息，所以YOLO在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。
3. YOLO能够学到物体的泛化特征：当YOLO在天然图像上作训练，在艺术做品上作测试时，YOLO表现的性能比DPM、R-CNN等以前的物体检测系统要好不少。由于YOLO能够学习到高度泛化的特征，从而迁移到其余领域。

3. 缺点

1. YOLO的物体检测精度低于其余state-of-the-art的物体检测系统。

2. YOLO容易产生物体的定位错误。

3. YOLO对小物体的检测效果很差（尤为是密集的小物体，由于一个栅格只能预测2个物体）。

4. 算法流程

1. Resize成448 \(\times\) 448，图片分割获得7 \(\times\) 7 网格(cell)

2. CNN提取特征和预测：卷积部分负责提特征。全连接部分负责预测：
   1. 7 \(\times\) 7 \(\times\) 2 = 98个bounding box的坐标（x,y,w,h,confidence）
   2. 7 \(\times\) 7 = 49个cell所属20个物体的几率

3. 过滤获得的bbox, 使用nms算法

5. 详细内容

网络示意图：

最后reshape层的计算：（5 = x,y,w,h,confidence）
\[ filter = （BboxNum\times5+Class） \]
这里BboxNum = 2, Class = 20,因此filter是30。

网络结构借鉴了 GoogLeNet 。24个卷积层，2个全连接层。（用1×1 reduction layers 紧跟 3×3 convolutional layers 取代Goolenet的 inception modules ）

每一个1 \(\times\) 1 \(\times\) 30 对应其中一个cell, 每一个cell须要预测两个bounding box的中心坐标（\(x_c\),\(y_c\),\(w\),\(h\)）,其中\(x_c,y_c\)被归一化到0~1之间，w,h经过图像的width和height归一化到0~1之间。 每一个bounding box除了要回归自身的位置以外，还要附带预测一个confidence值。 这个confidence表明了所预测的box中含有object的置信度和这个box预测的有多准两重信息：
\[ confidence=Pr(Object)\times IOU^{truth}_{pred} \]
第一项：\[Pr(Object)\]: 表明的是若是人工标注的框(ground truth box)落在一个gird cell中，则取1，不然取0。

第二项: \[IOU^{truth}_{pred}\]: 预测的bounding box和实际的ground truth box之间的IOU值。

这样前10个框来源就清楚了，即：\(BboxNum \times 5\).

剩余的20维度是用来对20个类进行预测，因此总共须要输出是 \[7 \times 7 \times (5 \times 2 + 20)\]。

关键内容：损失函数的设计

说明：每行是一个cell对应的两个bounding Box的相关信息，一共有\(7\times7\)这么多的行

对应类别计算方法，须要与confidence相乘，获得如下矩阵：

按照下图所示步骤进行操做，这只是示意其中一个类，每一行都要进行以下操做：

在全部作完nms以后选择对应的框画出来

获得如下效果：

总图：

损失函数由三个方面组成，一个是定位损失（localization error），一个是置信度损失，一个是分类损失（classification error）。简单的所有采用了sum-squared error loss来作这件事会有如下不足：

1. 8维的localization error和20维的classification error同等重要是不合理的；(真实框的中心x坐标减去yolo实际预测框的中心x尖 )
2. 若是一个网格中没有object（一幅图中这种网格不少），那么就会将这些网格中的box的confidence逼近到0，相比于较少的有object的网格，这种作法是overpowering的，这会致使网络不稳定甚至发散。

如何解决，从新设计新的loss计算方案：

1. 更重视8维的坐标预测，给这些损失前面赋予更大的loss weight, 记为\(\lambda_{coord}\),即坐标预测部份内容。（上图蓝色框）
2. 对没有object的bbox的confidence loss，赋予小的loss weight，记为 \(\lambda_{coord}\)，在pascal VOC训练中取0.5。（上图橙色框）
3. 有object的bbox的confidence loss (上图红色框) 和类别的loss （上图紫色框）的loss weight正常取1。
4. 对不一样大小的bbox预测中，相比于大bbox预测偏一点，小box预测偏一点更不能忍受。而sum-square error loss中对一样的偏移loss是同样。 为了缓和这个问题，做者用了一个比较取巧的办法，就是将box的width和height取平方根代替本来的height和width。 以下图：small bbox的横轴值较小，发生偏移时，反应到y轴上的loss（下图绿色）比big box(下图红色)要大。

6. 一个网格预测多个bounding box，在训练时咱们但愿每一个object（ground true box）只有一个bounding box专门负责（一个object 一个bbox）。具体作法是与ground true box（object）的IOU最大的bounding box 负责该ground true box(object)的预测。这种作法称做bounding box predictor的specialization(专职化)。每一个预测器会对特定（sizes,aspect ratio or classed of object）的ground true box预测的愈来愈好。（我的理解：IOU最大者偏移会更少一些，能够更快速的学习到正确位置）

7. 测试阶段，使用nms的时候，按照如下方式进行衡量是否保留改框：
   \[ Pr(Class_i|Object)\times Pr(Object)\times IOU^{truth}_{pred}=Pr(Class_i)\times IOU^{truth}_{pred} \]

6. 主要参考

https://zhuanlan.zhihu.com/p/24916786

https://docs.google.com/presentation/d/1aeRvtKG21KHdD5lg6Hgyhx5rPq_ZOsGjG5rJ1HP7BbA/pub?start=false&loop=false&delayms=3000&slide=id.g137784ab86_4_1738