深度学习之物体检测——YOLO(一)_介绍

##YOLO网络结构

YOLO把检测问题看成是端到端的回归问题。把输入图片划分成一个个的小格子，让物体中心点所在的格子负责检测到该物体。
YOLO采用的是GoogLeNet结构，但是用1*1和3*3的卷积层来替代GoogLeNet的inception层。网络结构如下：

每个卷积层后面都会跟着leaky ReLu非线性层。第一个全连接层后面也跟着leaky ReLU非线性层。对于一张图片，输出的维度是7*7*30（YOLO为每个格子为每个格子预测一个概率分布，并且预测2个box以及每个box的置信度）：

输出的box是(x_center, y_center, width, height)，x_center和y_center是相对于格子的位移并且用格子的长宽进行归一化，width和height用448进行归一化，所以这四个值的范围是[0,1]。

训练

卷积层预训练

取YOLO的前20个卷积层，然后加上一个平均池化层和一个全连接层，在ImageNet 1000-class数据上进行训练。作者讲他训练了大约一周的时间。

损失函数

YOLO会为每个格子预测多个box，但我们希望训练时只有一个box为每个物体负责。责任box是和物体的真实box的IOU最大的box。
训练误差包含下面三种误差：

• 坐标误差：表示对物体负责的格子中的责任box和真实box标记之间的误差

• 置信度误差：表示每个预测box的置信度和真实置信度之间的误差。
  目标置信度的表达式如下：
  

  C^=Pr(Object)∗IOUtruthpred={0，如果box不是责任boxIOUtruthpred，如果box是责任box(1)

置信度不仅给出预测的box是否包含物体的信息，而且还给出了预测的box的准确度。作者在文中提到大多数的格子中是不包含物体的，这些格子中的box置信度应该向0趋近，这个目标带来的梯度有可能会比包含物体的格子带来的梯度更大。所以在损失函数中增加box的坐标预测损失，减少不包含物体的box的置信度预测损失，即在公式(2)中引入的系数λcoord=5和λnoobj=0.5，

• 类别误差：表示为责任格子预测的类别概率分布和真实的概率分布之间的误差

误差表达式：

λcoord∑i=0S2∑j=0B1objij[(xi−x^i)2+(yi−y^i)2+(wi−−√−w^i−−√)2+(hi−−√−h^i−−√)2]+∑i=0S2∑j=0B1objij(Ci−C^i)2+λnoobj∑i=0S2∑j=0B1noobjij(Ci−C^i)2+∑i=0S21obji∑c∈classes(pi(c)−p^i(c))2(2)

1obji表示是否为责任格子；1objij表示是否为责任格子中的责任box；1noobjij表示其他box。

注意：宽和高的预测误差采用的是平方根之间的误差，这是因为大box和小的box误差权重是不一样的，小box上的些微变动应该比大box上的些微变动更重要。但是预测box的宽和高的平方根并没有完全解决这个问题。

测试

现在给定一张图片和训练好的YOLO网络，通过以下步骤来检测图片中的物体：

• 首先通过网络的一次前向过程得到输出
• 然后通过判断每个预测box的最大类别置信度是否超过指定的阈值，如果没有的话则舍弃该box：
  每个box的类别置信度是用预测的类别概率和置信度相乘得到。类别置信度给出了该类别出现在box中的概率以及预测的box的准确度。
• 利用non-maximal supression过滤剩下的box

现在剩下的box就是YOLO最终检测的结果，其最大类别置信度对应的类别就是物体所属分类。

YOLO的优点和缺点

优点

• 速度快：在Titan X GPU上可以达到45fps，YOLO的快速版本可以达到150fps。

缺点

• YOLO只能处理一个格子中至多有一个物体的情况：这是因为由于每个格子只会给出一个概率分布预测，而且选择的是概率最大的那个类别。

参考

[1] YOLO. Joseph Redmon, Santosh Divvala, Ross Girshick , Ali Farhadi. CVPR 2016.