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

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SSS*S个格子,S=7S=7

  • 输出一个SSS*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SS(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}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}为1,

    • 1ijobj1_{ij}^{obj}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}=0.5

    • 1ijnoobj1_{ij}^{noobj}是一个条件表达式,为1ijobj1_{ij}^{obj}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}=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}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)

对比Relu和leaky Relu

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:

  • 再看看具体是在哪些类型的图片上出错的:

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。

最后更新于