論文名稱《You Only Look Once: Unified, Real-Time Object Detection》

摘要

1、之前的目標檢測方法採用目標分類思想解決檢測問題，本文提出一個基於迴歸的框架，用於目標的定位及識別。
2、一個網路，一次預測即可獲得目標的檢測框（bounding boxs）和 類別概率。
3、所提目標檢測框架運算速度非常快。基本YOLO 模型45幀/S。簡化版本Fast YOLO模型可達到155F/s.
4、相比其他檢測器，yolo定位誤差較大，但是flase positive 較少。
5、YOLO泛化能力較高。

１、引言

1、現有目標檢測框架典型的有滑窗檢測（如 DPM演算法）和Region proposal方式（如 RCNN）。
2、YOLO將目標檢測是為迴歸問題。通過畫素值直接預測bboxes和類別概率。
3、YOLO通過全圖訓練網路，並優化檢測器效能，該方式有如下優勢：
　1）YOLO fast.因為基於迴歸的框架簡單，不需要額外複雜流程
　2）YOLO 檢測目標時，利用全圖資訊

２、統一的檢測器

2.1網路設計：特徵提取層+額外分類檢測層

• 受GoogleLetnet 網路設計啟發。（腦補一下：googleLenet共22層，考慮pooling 層，共27層。後接平均池化層，並送入分類器）GoogleLetNet連結
• YOLO網路設計共24層卷積層，後接2層全連結層。
• 預訓練對前20層進行分類訓練（參考GoogleNet ,修改 *1、*3組合）。後面4個卷積層和2個全連結層用於檢測。預訓練影象尺寸用224*224（imageNet 影象集）
• 檢測影象輸入尺寸變尺寸至448*448。
  

2.2 關鍵點設計

• 將輸入影象分為Ｓ∗Ｓ個grid cell，目標中心所在的 cell，負責對此目標的檢測及識別。
• 每個cell預測B個 bboxes和相應的置信度confidence=Pr(object)∗IOUtruthpred。如果沒目標Pr(object)=0,confidence為0，有目標Pr(object)=1,則confidence為IOU值。（預測階段咋整？）
• 每個bboxes 包含5個引數：x,y,w,h和置信度 confidence。其中(x,y)座標代表所檢測目標的中心點，該值是相對於grid cell的邊緣，因此取值範圍【0，1】。w
  ,h相對於整個影象尺寸，取值範圍【0，1】。
• 目標。

2.3 訓練

從網路圖可以看出，448影象輸入，經過6次pooling，影象大小變為 448/2^6=448/64=7
網格設定S=7是否與最終輸出的featureMap大小有關？
輸出大小 為7*7*（2*5+20）=7*7*30=1470，每一個點都是前一層向量迴歸而來（全連結，內積計算預測）。
訓練誤差採用均方差。考慮存在目標的（座標預測誤差、置信度誤差、類別誤差）+不是目標的置信度。
訓練中的誤差函式如下，加重有目標的位置比重λcoord=5,不是目標的置信度λnoobj=0.5。

2.4 測試

Test的時候，每個網格預測的class資訊(Pr(Classi|Object))和bounding box預測的confidence資訊( Pr(Object)∗IOUtruthpred ) 相乘。
說白了，就是預測置信度與類別概率的乘積。