【论文】YOLO系列

81 阅读 0 评论 54 点赞

我是靠谱客的博主拉长跳跳糖，最近开发中收集的这篇文章主要介绍【论文】YOLO系列，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

YOLO V1

YOLO V2

YOLO V1

在yolo之前，目标检测的巅峰之作是faster-rcnn。faster-rcnn是典型的two-stage目标检测网络，先用一个RPN(region proposal network)提取region proposal，再用一个分类网络判断RP中是否含有目标，所以faster-rcnn本质上是分类问题。

yolo v1是one-stage的开山之作，将目标检测看作回归问题，直接从图像像素得到边界框坐标和类别概率。不同于faster-rcnn只对某个RP预测，yolov1可以看到整张图像，所以预测错误的概率是faster-rcnn的一半，yolo v1的预测结果假阳性目标少，精确率高，但是召回率低，定位误差多。（若有疑问，建议补课精确率和召回率）

one-stage实现方式：

将输入图像划分为7*7的栅格，每个栅格预测2个bounding box，每个bounding box包括5个预测值（x,y,w,h,confidence)

confidence=p(object)*IOU

以VOC数据集为例，一共20个类别，最终输出7*7*（2*5+20）=7*7*30个tensor。

网络结构受图像分类模型GoogLeNet的启发，有24个卷积层，后面是2个全连接层。隐藏层部分使用1×1降维层，后面接3×3卷积层。最终输出是7×7×30的预测张量。（由于使用了全连接层，不支持输入灵活尺寸）

损失函数：

损失函数的设计目标就是让坐标（x,y,w,h），confidence，classification 这三个方面达到很好的平衡。

v1 loss:

前两项是位置的损失函数，宽高开根号，是为了强化小目标的损失。

比如：小目标：w_pre=10,w_gt=20

大目标：w_pre=100,w_gt=110

显然小目标检测得更差一些。若不开根，二者损失值一样（20-10）^2=(110-100)^2 ，开根后

，相当于强化了小目标的损失。

第三、四项分别是含有目标的bounding box的confidence和不含目标的bounding box的confidence损失。大部分边界框内是没有目标的，会造成loss的不平衡，所以对不含目标的bounding box加权=0.5。

最后一项是分类概率损失。

v1的回归损失、置信度损失和分类损失使用的均是MSE，v3回归损失仍是MSE, 而类别和置信度的损失是交叉熵。v4在v3的基础上对回归框进行的loss回归预测，就是基于CIOU的回归函数。

附v3 loss:

YOLO V2

YOLO V2 主要解决yolo v1定位误差多、召回率低的问题。

相较于v1的几点改进：

1. 增加BN层，移除dropout层，这一操作使mAP增加2%

2. 使用高分辨率的分类器，yolov1使用224*224的输入预训练，然后将分辨率提高到448*448在检测器上微调。对于目标检测任务，通常分辨率越高最后得到的结果越接近预期。但是切换分辨率，检测器可能难以快速适应高分辨率。yolov2使用448*448的分辨率微调分类网络（10个epoch），使模型在检测数据集上finetune之前已经适用高分辨率输入。

3. 增加anchor box， yolov1用全连接预测bbox的位置坐标，YOLOv2借鉴了Faster R-CNN中RPN网络的anchor box策略，移除了YOLOv1中的全连接层，采用了卷积和anchor boxes来预测边界框，提高定位精度。其中值得一提的一个trick，检测模型的输入不是448*448，而是416*416，因为经过32倍的下采样，416*416的输出特征图是13*13的奇数维度，这样可以很方便的寻找到中心点，对于一些大物体，它们中心点往往落入图片中心位置，此时使用特征图的一个中心点去预测这些物体的边界框相对容易些。所以在YOLOv2设计中要保证最终的特征图有奇数个维度。yolov1只预测7*7*2=98个框，增加anchor后，v2预测的边框数为13*13*anchor_num，map由69.5%降至69.2%，但是召回率由81%提高到88%

4. 使用聚类的方法得到anchor的维度，在Faster R-CNN和SSD中，先验框的维度（长和宽）都是手动设定的，带有一定的主观性。如果选取的先验框维度比较合适，那么模型更容易学习，从而做出更好的预测。因此，YOLOv2对训练集的标签使用k-means聚类确定边界框维度。

5. 直接位置预测