YOLO

参考目录：

论文：https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper.pdf

YOLO论文解读：https://zhuanlan.zhihu.com/p/31427164

fasterRCNN是two-stage的目标检测算法，即分别完成分类和回归任务。而YOLO提出将物体检测作为一个回归问题进行求解，即输入图像经过一次网络，就得到物体的位置、类别和置信度，开启了one-stage目标检测。

YOLO的网络结构：

1. YOLO的网络结构

（这段将在我看完YOLO的代码后来补充）

2. 创新点和核心思想

YOLO的创新点和核心思想主要可以总结为以下几个：

2.1 网格

将输入图像设置若干个等间隔的线，假设纵向S条，横向S条，这些线会将图像分割为S*S个cell。每一个cell对应着一个类别，标签的类别将有ground truth决定。在训练和推理过程中，判断一个bbox的方法就是看这个bbox的中心点落在哪一个cell中。因此，一个cell中对应的所有bbox的类别都是同一类。

2.2 confidence

引入了置信度confidence的概念。confidence具有两重信息：（1）目标中心是否落在cell中；（2）预测值和ground truth的IoU。因此，可以表示为：

\[confidence = Pr(object)·IoU^{truth}_{pred}\\ where\ Pr(object) = \begin{cases} 1,\ cell\ in\ bboxes\\ 0,\ others \end{cases} \]

同时，bounding box的表示从四维增加到了五维，即由原先的\((x,y,w,h)\)变为\((x,y,w,h,confidence)\)，添加了置信度（且这里的\(x,y,w,h\)都是经过归一化的）。

2.3 class-specific confidence score

在进行推理时，会将每个网格预测的条件概率（即，对于这个网格，类别为\(Class_i\)的概率）\(Pr(Class_i|Object)\)和confidence相乘，即：

\[Pr(Class_i|Object) \times confidence \\ = Pr(Class_i|Object) \times Pr(object) \times IoU^{truth}_{pred}\\ = Pr(Class) \times IoU^{truth}_{pred} \]

最后这个成绩为每个bbox的class-specific confidence score，既包含了bbox属于的类别的概率，又包含了bbox的位置的准确度。

3. Training

YOLO的训练过程中，在设计Loss函数时考虑了以下几个方面：

3.1 bbox的坐标预测误差

作者认为，对于不同大小的bbox，相比于大bbox的大小预测有了一定的偏差，小的bbox的大小有了相同的偏差是更致命的。因此，在loss中同等对待不同大小bbox的预测偏差是不合理的。因此作者选择将w和h用\(sqrt\)进行压缩，这样随着w和h的增大，惩罚程度的上升会逐渐变慢。

3.2 bbox的confidence预测误差

图像中的大部分cell可能包含背景（即不包含目标），因此大多数box的confidence为0.作者认为confidence为1和0的bbox不应该同等对待，confidence=0的惩罚被减轻了，乘以了权重\(\lambda_{noobj} = 0.5\).

此外坐标预测误差和conference预测误差之间也有权重\(\lambda_{coord} = 5\).

3.3 分类预测误差

前面提到过，每一个cell对应的bbox都是同一类，因此在计算时只需要逐cell计算，而不需要逐bbox计算。

最终的预测误差如下：