《You Only Look Once》YOLOv1论文笔记

YOLO v1

论文:《You Only Look Once: Unified, Real-Time Object Detection》
论文地址：http://www.arxiv.org/pdf/1506.02640.pdf

简介

作者提出把目标检测任务当做回归任务来做，用一个神经网络来完成bbox(bounding box)以及class probabilities(类别概率)的回归，因为网络是单个完整的，不同于Faster R-CNN是分为RPN(Region Proposal Network,区域建议网络，用来生成一些proposal，输给后续的回归网络)和回归网络。所以YOLO网络是可以端到端的训练。

网络结构

YOLO系统流程

1. 输入图片img
2. resize到指定尺寸
3. 通过预先设计好的多层CNN(一般包括特征抽取的VGG，以及回归层等)
4. 根据回归层输出的坐标和置信度confidence来对proposal进行筛选

主要的网络结构如图

如上图所示，输入一个图片，resize到448*448的，经过N多卷积网络层得到7*7*30的feature map

图片源于知乎用户这个维度30的意义如下图所示，包括confidence*2,(x1,y1)(x2,y2)四个坐标*2,20个类别概率(哪个概率大就是哪一类，用softmax实现)，每一个30维的vector代表一个7*7的feature map 的每一个cell里面的信息。

置信度在训练时计算如上图所示，Pr(object)就是选择一个cell中与训练样本ground truth的IOU大的那个proposal为1，另一个为0，所以这个置信度即为IOU或0。

Loss Function

如图所示，损失函数包括三部分：坐标回归损失、分类损失和置信度损失。坐标回归损失只是针对那些被认定为包含object的proposal才进行计算，对于没有检测到object的proposal不需要坐标回归的loss，分类损失也是检测到object的proposal要计算。还有一个置信度误差，不管有没有检测到object都要去计算。

Problem

• 每个vector的30维中只有一个20维的class probability ，但是有两个5维(4个坐标+1个置信度)向量，这代表了实际上7*7的feature map中的每一个单元都只能预测一个object，那么对于每个object为什么要使用两个回归向量呢？是为了精确地解决回归问题，最后这两个回归出来的proposal最多保留IOU大的那一个。