读论文系列：Object Detection CVPR2016 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$S*S$个格子，$S=7$
• 输出一个$S*S$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$S*S*(B*(4+1)+C)$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，$\lambda_{coord}$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$C_{i}$为1，
  • $1_{ij}^{obj}$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， $\lambda_{noobj}=0.5$，
  • $1_{ij}^{noobj}$是一个条件表达式，为$1_{ij}^{obj}$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 $\lambda_{noobj}=1$， 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，$1_{i}^{obj}$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：$f(x)=max(x, 0.1x)$

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。