YOLO背景介紹
一、背景介紹
YOLO（You Only Look Once: Unified, Real-Time Object Detection），是Joseph Redmon和Ali Farhadi等人於2015年提出的基於單個神經網路的目標檢測系統。在2017年CVPR上，Joseph Redmon和Ali Farhadi又發表的YOLO 2，進一步提高了檢測的精度和速度。本博僅學習YOLO！
- // 論文下載地址
-
https:
//pjreddie.com/media/files/papers/yolo.pdf
下邊簡單說一下目標檢測（ Object detection）發展：
早期的目標檢測方法通常是通過提取影象的一些 robust 的特徵（如 Haar、SIFT、HOG 等），使用 DPM （Deformable Parts Model）模型，用滑動視窗（silding window）的方式來預測具有較高 score 的 bounding box。這種方式非常耗時，而且精度又不怎麼高。
後來出現了object proposal方法（其中selective search為這類方法的典型代表），相比於sliding window這中窮舉的方式，減少了大量的計算，同時在效能上也有很大的提高。利用 selective search的結果，結合卷積神經網路的R-CNN出現後，Object detection 的效能有了一個質的飛越。基於 R-CNN 發展出來的 SPPnet、Fast R-CNN、Faster R-CNN 等方法，證明了 “Proposal + Classification” 的方法在 Objection Detection 上的有效性。
相比於 R-CNN 系列的方法，本論文提供了另外一種思路，將 Object Detection 的問題轉化成一個 Regression 問題。給定輸入影象，直接在影象的多個位置上回歸出目標的bounding box以及其分類類別。
YOLO是一個可以一次性預測多個Box位置和類別的卷積神經網路，能夠實現端到端的目標檢測和識別，其最大的優勢就是速度快。事實上，目標檢測的本質就是迴歸，因此一個實現迴歸功能的CNN並不需要複雜的設計過程。YOLO沒有選擇滑動視窗（silding window）或提取proposal的方式訓練網路，而是直接選用整圖訓練模型。這樣做的好處在於可以更好的區分目標和背景區域，相比之下，採用proposal訓練方式的Fast-R-CNN常常把背景區域誤檢為特定目標。
二、論文摘要
下圖所示是YOLO檢測系統流程：
- 將影象Resize到448*448；
- 執行CNN；
- 非極大抑制優化檢測結果。
YOLO是基於Pascal VOC2012資料集的目標檢測系統。它能夠檢測到20種Pascal的目標類別，包括：
- 人
- 鳥，貓，牛，狗，馬，羊
- 飛機，自行車，船，汽車，摩托車，火車
- 瓶子，椅子，桌子，盆栽植物，沙發，電視或者顯示器
YOLO的總體框架示意圖如下：
一體化的設計方案：
YOLO的設計理念遵循端到端訓練和實時檢測。YOLO將輸入影象劃分為S*S個網格，如果一個物體的中心落在某網格(cell)內，則相應網格負責檢測該物體。
在訓練和測試時，每個網路預測B個bounding boxes，每個bounding box對應5個預測引數：
- bounding box的中心點座標(x,y)，寬高（w,h）
- 和置信度評分（confidence）
這個置信度評分：
綜合反映了：
- 當前bounding box中含有object的置信度Pr(Object)
- 當前bounding box預測目標位置的準確性IOU(pred|truth)
如果bouding box內不存在物體，則Pr(Object)=0。如果存在物體，則根據預測的bounding box和真實的bounding box計算IOU，同時會預測存在物體的情況下該物體屬於某一類的後驗概率Pr(Class_i|Object)。
假定一共有C類物體，那麼每一個網格只預測一次C類物體的條件類概率Pr(Class_i|Object), i=1,2,...,C;每一個網格預測B個bounding box的位置。即這B個bounding box共享一套條件類概率Pr(Class_i|Object), i=1,2,...,C。基於計算得到的Pr(Class_i|Object)，在測試時可以計算某個bounding box類相關置信度：Pr(Class_i|Object)*Pr(Object)*IOU(pred|truth)=Pr(Class_i)*IOU(pred|truth)。如果將輸入影象劃分為7*7網格（S=7），每個網格預測2個bounding box (B=2)，有20類待檢測的目標（C=20），則相當於最終預測一個長度為S*S*(B*5+C)=7*7*30的向量，從而完成檢測+識別任務，整個流程可以通過下圖理解。