读论文系列·YOLO

CVPR2016： You Only Look Once:Unified, Real-Time Object Detection
转载请注明作者：梦里茶​
​
 YOLO，You Only Look Once，摒弃了RCNN系列方法中的region proposal步骤，将detection问题转为一个回归问题
网络结构
输入图片：resize到448x448
整张图片输入卷积神经网络（24层卷积+2层全连接，下面这张示意图是Fast YOLO的）
将图片划分为S∗SS*SS∗S
个格子，S=7S=7S=7
​
输出一个S∗SS*SS∗S
大小的class probability map，为图片上每个格子所属的分类
输出为每个格子输出B个bounding box，每个bounding box由x,y,w,h表示，为每个bounding box输出一个confidence，即属于前景的置信度
于是输出可以表示为一个S∗S∗(B∗(4+1)+C)S*S*(B*(4+1)+C)S∗S∗(B∗(4+1)+C)
的tensor，训练只需要根据数据集准备好这样的tensor进行regression就行
对所有bounding box按照confidence做非极大抑制，得到检测结果
训练
Loss
前两行为定位loss，λcoord\lambda_{coord}λcoord​
为定位loss的权重，论文中取5
第三行为一个bounding box属于前景时的置信度回归loss，
当格子中有对象出现时，真实CiC_{i}Ci​
为1，
​1ijobj1_{ij}^{obj}1ijobj​
是一个条件表达式，当bounding box“负责(is responsible for)”图中一个真实对象时为1，否则为0，
所谓“负责”，指的是在当前这个格子前向传播（论文里没讲，有代码依据）预测出的所有bounding box中，这个bounding box与真实的bounding box重叠率最大
第四行为一个bounding box属于背景时的置信度回归loss，
为了避免负样本过多导致模型跑偏， λnoobj=0.5\lambda_{noobj}=0.5λnoobj​=0.5
，
​1ijnoobj1_{ij}^{noobj}1ijnoobj​
是一个条件表达式，为1ijobj1_{ij}^{obj}1ijobj​
取反
于是我们可以发现一个格子的两个bounding box的分工：一个贡献前景loss，一个贡献背景loss ，不论是前景背景box，我们都希望它们的confidence接近真实confidence，实际上，如果 λnoobj=1\lambda_{noobj}=1λnoobj​=1
， 第四五行可以合并为一项求和，但由于背景box太多，所以才单独拆开加了权重约束
第五行为分类loss，1iobj1_{i}^{obj}1iobj​
是一个条件表达式，当有对象出现在这个格子中，取1，否则取0
YOLO里最核心的东西就讲完了，其实可以把YOLO看作固定region proposal的Faster RCNN，于是可以省掉Faster RCNN里region proposal部分，分类和bounding box regression跟Faster RCNN是差不多的
细节
Leaky Relu
网络中只有最后的全连接层用了线性的激活函数，其他层用了leaky Relu：f(x)=max(x,0.1x)f(x)=max(x, 0.1x)f(x)=max(x,0.1x)
​
对比Relu和leaky Relu
​
 
 在x小于0的时候，用了0.1x，避免使用relu的时候有些单元永远得不到激活（Dead ReLU Problem）
Fast YOLO
卷积层更少，只有9层卷积+2层全连接，每层filters也更少，于是速度更快
实验效果
对比当前最好方法：
​
 Fast YOLO速度最快，准确率不太高，但还是比传统方法好，YOLO则比较中庸，速度不慢，准确率也不太高，但也还行。
再看看具体是在哪些类型的图片上出错的：
​
 主要是定位不准（毕竟没有精细的region proposal），但是在背景上出错较少（不容易把背景当成对象）
缺点
固定的格子是一种很强的空间限制，7x7的格子决定了整张图片最多预测98个对象，对于对象数量很多的图片（比如鸟群）无能为力
难以泛化到其他形状或角度的物体上
损失函数没有考虑不同尺寸物体的error权重，大box权重和小box权重一样
Summary
Anyway，YOLO结构还是挺优雅的，比Faster RCNN黑科技少多了，更重要的是，它是当时最快的深度学习检测模型，也是很值得肯定的。
最近更新 1yr ago