轉(zhuǎn)載自：http://blog.csdn.net/tangwei2014/article/details/50915317

這是繼RCNN，fast-RCNN 和 faster-RCNN之后，rbg（Ross Girshick）大神掛名的又一大作，起了一個很娛樂化的名字：YOLO。
雖然目前版本還有一些硬傷，但是解決了目前基于DL檢測中一個大痛點(diǎn)，就是速度問題。
其增強(qiáng)版本GPU中能跑45fps，簡化版本155fps。

論文下載：http://arxiv.org/abs/1506.02640
代碼下載：https://github.com/pjreddie/darknet

本篇博文focus到方法上。實驗結(jié)果等整理全了再奉上。
1. YOLO的核心思想

• YOLO的核心思想就是利用整張圖作為網(wǎng)絡(luò)的輸入，直接在輸出層回歸bounding box的位置和bounding box所屬的類別。

• 沒記錯的話faster RCNN中也直接用整張圖作為輸入，但是faster-RCNN整體還是采用了RCNN那種 proposal+classifier的思想，只不過是將提取proposal的步驟放在CNN中實現(xiàn)了。

2.YOLO的實現(xiàn)方法

• 將一幅圖像分成SxS個網(wǎng)格(grid cell)，如果某個object的中心 落在這個網(wǎng)格中，則這個網(wǎng)格就負(fù)責(zé)預(yù)測這個object。
  

• 每個網(wǎng)格要預(yù)測B個bounding box，每個bounding box除了要回歸自身的位置之外，還要附帶預(yù)測一個confidence值。
  這個confidence代表了所預(yù)測的box中含有object的置信度和這個box預(yù)測的有多準(zhǔn)兩重信息，其值是這樣計算的：
  
  其中如果有object落在一個grid cell里，第一項取1，否則取0。 第二項是預(yù)測的bounding box和實際的groundtruth之間的IoU值。

• 每個bounding box要預(yù)測(x, y, w, h)和confidence共5個值，每個網(wǎng)格還要預(yù)測一個類別信息，記為C類。則SxS個網(wǎng)格，每個網(wǎng)格要預(yù)測B個bounding box還要預(yù)測C個categories。輸出就是S x S x (5*B+C)的一個tensor。
  注意：class信息是針對每個網(wǎng)格的，confidence信息是針對每個bounding box的。

• 舉例說明: 在PASCAL VOC中，圖像輸入為448x448，取S=7，B=2，一共有20個類別(C=20)。則輸出就是7x7x30的一個tensor。
  整個網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示：
  

• 在test的時候，每個網(wǎng)格預(yù)測的class信息和bounding box預(yù)測的confidence信息相乘，就得到每個bounding box的class-specific confidence score:
  
  等式左邊第一項就是每個網(wǎng)格預(yù)測的類別信息，第二三項就是每個bounding box預(yù)測的confidence。這個乘積即encode了預(yù)測的box屬于某一類的概率，也有該box準(zhǔn)確度的信息。

• 得到每個box的class-specific confidence score以后，設(shè)置閾值，濾掉得分低的boxes，對保留的boxes進(jìn)行NMS處理，就得到最終的檢測結(jié)果。

3.YOLO的實現(xiàn)細(xì)節(jié)

• 每個grid有30維，這30維中，8維是回歸box的坐標(biāo)，2維是box的confidence，還有20維是類別。
  其中坐標(biāo)的x,y用對應(yīng)網(wǎng)格的offset歸一化到0-1之間，w,h用圖像的width和height歸一化到0-1之間。

• 在實現(xiàn)中，最主要的就是怎么設(shè)計損失函數(shù)，讓這個三個方面得到很好的平衡。作者簡單粗暴的全部采用了sum-squared error loss來做這件事。
  這種做法存在以下幾個問題：
  第一，8維的localization error和20維的classification error同等重要顯然是不合理的；
  第二，如果一個網(wǎng)格中沒有object（一幅圖中這種網(wǎng)格很多），那么就會將這些網(wǎng)格中的box的confidence push到0，相比于較少的有object的網(wǎng)格，這種做法是overpowering的，這會導(dǎo)致網(wǎng)絡(luò)不穩(wěn)定甚至發(fā)散。
  解決辦法：

  • 更重視8維的坐標(biāo)預(yù)測，給這些損失前面賦予更大的loss weight, 記為在pascal VOC訓(xùn)練中取5。
  • 對沒有object的box的confidence loss，賦予小的loss weight，記為在pascal VOC訓(xùn)練中取0.5。
  • 有object的box的confidence loss和類別的loss的loss weight正常取1。

• 對不同大小的box預(yù)測中，相比于大box預(yù)測偏一點(diǎn)，小box預(yù)測偏一點(diǎn)肯定更不能被忍受的。而sum-square error loss中對同樣的偏移loss是一樣。
  為了緩和這個問題，作者用了一個比較取巧的辦法，就是將box的width和height取平方根代替原本的height和width。這個參考下面的圖很容易理解，小box的橫軸值較小，發(fā)生偏移時，反應(yīng)到y(tǒng)軸上相比大box要大。
  

• 一個網(wǎng)格預(yù)測多個box，希望的是每個box predictor專門負(fù)責(zé)預(yù)測某個object。具體做法就是看當(dāng)前預(yù)測的box與ground truth box中哪個IoU大，就負(fù)責(zé)哪個。這種做法稱作box predictor的specialization。

• 最后整個的損失函數(shù)如下所示：
  
  這個損失函數(shù)中：
  
  • 只有當(dāng)某個網(wǎng)格中有object的時候才對classification error進(jìn)行懲罰。
  • 只有當(dāng)某個box predictor對某個ground truth box負(fù)責(zé)的時候，才會對box的coordinate error進(jìn)行懲罰，而對哪個ground truth box負(fù)責(zé)就看其預(yù)測值和ground truth box的IoU是不是在那個cell的所有box中最大。
• 其他細(xì)節(jié)，例如使用激活函數(shù)使用leak RELU，模型用ImageNet預(yù)訓(xùn)練等等，在這里就不一一贅述了。

4.YOLO的缺點(diǎn)

• YOLO對相互靠的很近的物體，還有很小的群體 檢測效果不好，這是因為一個網(wǎng)格中只預(yù)測了兩個框，并且只屬于一類。

• 對測試圖像中，同一類物體出現(xiàn)的新的不常見的長寬比和其他情況是。泛化能力偏弱。

• 由于損失函數(shù)的問題，定位誤差是影響檢測效果的主要原因。尤其是大小物體的處理上，還有待加強(qiáng)。

總結(jié)

以上是生活随笔為你收集整理的论文阅读笔记：You Only Look Once: Unified, Real-Time Object Detection的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。