物体检测丨浅析One stage detector「YOLOv一、v二、v三、SSD」

引言

以前作object detection用到的都是two stage，one stage如YOLO、SSD不多接触，这里开一篇blog简单回顾该系列的发展。很抱歉，我本人只能是走马观花，不少细节也没有弄清楚。有需求的朋友请深刻论文和代码，我在末尾也列出了不少优秀的参考文章。

YOLOv1

You Only Look Once: Unified, Real-Time Object Detection

核心思想

• 用一个CNN实现end-to-end，将目标检测做为回归问题解决。

将输入图片分割为\(S\times S\)网格，若是物体的中心落入网格中央，这个网格将负责检测这个物体。所以网络学会了去预测中心落在该网格中的物体。

每一个网格预测\(B\)个bounding boxes和confidence scores。confidence scores包含两方面：

1. 这个boundingbox包含物体的可能性\(Pr(Object)\)：bb包含物体时\(Pr(Object)=1\)不然为0。
2. 这个boundingbox的准确度\(IOU^{truth}_{pred}\)：pred和gt的IoU。

所以，confidence scores可定义为$Pr(Object)*IoU^{truth}_{pred} $

每一个bbox包含5个predictions：\(x,y,w,h和confidence\)：\((x,y)\)表示bbox中心坐标，\(h,w\)表示bbox长宽，\(confidence\)表示pred和gt box的IoU。

每一个网格预测\(C\)个类别几率\(Pr(Class_i|Object)\)，表示该网格负责预测的边界框目标属于各种的几率。咱们不考虑box的数量即\(B\)。

测试阶段咱们将类别几率和confidence score相乘，得每一个box的类特定confidence score：

\[Pr(Class_i|Object)*Pr(Object)*IoU^{truth}_{pred}=Pr(Class_i)*IoU^{truth}_{pred}\]

表示box中类别出现的几率和预测box与目标的拟合程度。

将图片分解为$S\times S \(个gird，每一个grid预测\)B\(个bbox，confidence和\)C\(个类几率，预测值为\)S\times S \times (B*5+C)$

网络架构

网络结构参考GooLeNet，包含24个卷积层和2个激活层，卷积层使用1x1卷积降维而后跟3x3卷积。对于卷积层和全链接层，采用Leaky ReLU：\(max(x,0.1x)\)，最后一层采用线性激活层。

网络输出维度为30(\(B=2\))，前20个元素是类别几率值，而后2个是边界框置信度，最后8个是bbox的\((x,y,w,h)\)。

• Loss：YOLO把分类问题转化为回归问题

第一项是bbox中心坐标偏差项；第二项是bbox高与宽偏差项；

第三项是包含目标bbox置信度偏差项；第四项是不包含目标bbox置信度偏差项；

最后一项是包含目标的grid分类偏差项。

将Loss对应到predtion张量上：

实验结果

SSD

SSD:Single Shot MultiBox Detector

核心思想

速度比YOLO快，精度能够跟Faster RCNN媲美。

1. 采用多尺度特征图用于检测：大特征图检测小目标，小特征图检测大目标。

2. 采用卷积进行检测：与YOLO最后采用全链接层不一样，SSD直接采用卷积提取检测结果。

3. 设置先验框：借鉴Faster RCNN中anchor理念，为每一个网格设置不一样长宽比的anchor，bbox以anchor为基准。

网络架构

在VGG16基础上增长了卷积层得到更多特征图用于检测。

上是SSD，下是YOLO

实验结果

YOLOv2

YOLO9000: Better, Faster, Stronger

核心思想

YOLOv1虽然检测速度快，但检测精度不如RCNN，YOLOv1定位不够准确，召回率也低。因而YOLOv2提出了几种改进策略来提高YOLO模型的定位准确度和召回率，并保持检测速度。

• Better

  • Batch Normalization：加快收敛并起到正则化效果，防止过拟合。

  • High Resolution Classifier：在ImageNet数据上使用\(448\times448\)输入来finetune。

  • Convolutional With Anchor Boxes：借鉴Faster R-CNN中RPN的anchor boxes策略，预测offset而不是coordinate。

  • Dimension Clusters：采用k-means来替代人工选取anchor。并使用下式来度量距离。

    \[d(box,centroid)=1-IOU(box, centroid)\]

  • Direct location prediction：改变了预测bbox的计算公式

  • Fine-Grained Features：小物体须要更精细的特征图。采用passthrough层将高分辨率特征concat低分辨率特征，相似于ResNet。

  • Multi-Scale Training：每隔10batch，网络随机选择新的图像尺寸。

• Faster

  • Darknet-19
  • Training for classification
  • Training for detection

• Stronger

  • Hierarchical classification
  • Dataset combination with WordTree
  • Joint classification and detection

网络架构

实验结果

YOLOv3

YOLOv3: An Incremental Improvement

核心思想

• Bounding Box Prediction：和v2同样使用聚类来得到anchor并预测bbox坐标。
• Class Prediction：不使用softmax，使用二元交叉熵进行类别预测。
• Predictions Across Scales：跨尺度预测，相似FPN使用3个尺度，预测为\(N\times N\times[3*(4+1+80)]\)，4个box offsets、1个obj prediction和80个类prediction。
• Feature Extractor：Darknet-53，加入了Residual。

网络架构

实验结果

参考

• paper

[1]Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 779-788.

[2]Liu W, Anguelov D, Erhan D, et al. Ssd: Single shot multibox detector[C]//European conference on computer vision. Springer, Cham, 2016: 21-37.

[3]Redmon J, Farhadi A. YOLO9000: better, faster, stronger[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 7263-7271.

[4]Redmon J, Farhadi A. Yolov3: An incremental improvement[J]. arXiv preprint arXiv:1804.02767, 2018.

• blog

目标检测|YOLO原理与实现

目标检测|YOLOv2原理与实现(附YOLOv3)

目标检测|SSD原理与实现

你真的读懂yolo了吗？

artifical-intelligence

【YOLO】yolo v1到yolo v3

What do we learn from single shot object detectors (SSD, YOLOv3), FPN & Focal loss (RetinaNet)?

YOLO 的发展