CNN目標檢測與分割（二）：YOLO

縮進YOLO全稱You Only Look Once: Unified, Real-Time Object Detection，是在CVPR2016提出的一種目標檢測演算法，核心思想是將目標檢測轉化為回歸問題求解，並基於一個單獨的end-to-end網路，完成從原始圖像的輸入到物體位置和類別的輸出。YOLO與Faster RCNN有以下區別：

1. Faster RCNN將目標檢測分解為分類為題和回歸問題分別求解：首先採用獨立的RPN網路專門求取region proposal，即計算圖1中的 P(objetness)；然後對利用bounding box regression對提取的region proposal進行位置修正，即計算圖1中的Box offsets（回歸問題）；最後採用softmax進行分類（分類問題）。
2. YOLO將物體檢測作為一個回歸問題進行求解：輸入圖像經過一次網路，便能得到圖像中所有物體的位置和其所屬類別及相應的置信概率。

圖1 YOLO與Faster RCNN的區別

縮進可以看出，YOLO將整個檢測問題整合為一個回歸問題，使得網路結構簡單，檢測速度大大加快；由於網路沒有分支，所以訓練也只需要一次即可完成。這種「把檢測轉化為回歸問題」的思路非常有效，之後的很多檢測演算法（包括SSD）都借鑒了此思路。

圖2 YOLO網路結構（具體網路結構配置：https://github.com/pjreddie/darknet/blob/master/cfg/yolov1/yolo.cfg。不要輕易相信信別人，自己看結構最靠譜）

縮進上圖2中展示了YOLO的網路結構。相比Faster RCNN，YOLO結構簡單而，網路中只包含conv，relu，pooling和全連接層，以及最後用來綜合信息的detect層。其中使用了1x1卷積用於多通道信息融合（若不明白1x1卷積請查看上一篇Faster RCNN文章）。

圖3

YOLO的工作過程分為以下幾個過程：(1) 將原圖劃分為SxS的網格。如果一個目標的中心落入某個格子，這個格子就負責檢測該目標。

(2) 每個網格要預測B個bounding boxes，以及C個類別概率Pr(classi|object)。這裡解釋一下，C是網路分類總數，由訓練時決定。在作者給出的demo中C=20，包含以下類別：

人person

鳥bird、貓cat、牛cow、狗dog、馬horse、羊sheep

飛機aeroplane、自行車bicycle、船boat、巴士bus、汽車car、摩托車motorbike、火車train

瓶子bottle、椅子chair、餐桌dining table、盆景potted plant、沙發sofa、顯示器tv/monitor

在YOLO中，每個格子只有一個C類別，即相當於忽略了B個bounding boxes，每個格子只判斷一次類別，這樣做非常簡單粗暴。

(3) 每個bounding box除了要回歸自身的位置之外，還要附帶預測一個confidence值。這個confidence代表了所預測的box中含有目標的置信度和這個bounding box預測的有多准兩重信息：

如果有目標落中心在格子里Pr(Object)=1；否則Pr(Object)=0。 第二項是預測的bounding box和實際的ground truth之間的IOU。

縮進所以，每個bounding box都包含了5個預測量：(x, y, w, h, confidence)，其中(x, y)代表預測box相對於格子的中心，(w, h)為預測box相對於圖片的width和height比例，confidence就是上述置信度。需要說明，這裡的x, y, w和h都是經過歸一化的，之後有解釋。

(4) 由於輸入圖像被分為SxS網格，每個網格包括5個預測量：(x, y, w, h, confidence)和一個C類，所以網路輸出是SxSx(5xB+C)大小

(5) 在檢測目標的時候，每個網格預測的類別條件概率和bounding box預測的confidence信息相乘，就得到每個bounding box的class-specific confidence score:

顯然這個class-specific confidence score既包含了bounding box最終屬於哪個類別的概率，又包含了bounding box位置的準確度。最後設置一個閾值與class-specific confidence score對比，過濾掉score低於閾值的boxes，然後對score高於閾值的boxes進行非極大值抑制(NMS, non-maximum suppression)後得到最終的檢測框體。

縮進YOLO在實現中有一個重要細節，即對bounding box的坐標(x, y, w, h)進行了normalization，以便進行回歸。作者認為這是一個非常重要的細節。在原文2.2 Traing節中有如下一段：

Our final layer predicts both class probabilities and bounding box coordinates.

We normalize the bounding box width and height by the image width and height so that they fall between 0 and 1.

We parametrize the bounding box x and y coordinates to be offsets of a particular grid cell location so they are also bounded between 0 and 1.

縮進接下來分析一下到底如何實現。

圖4 SxS網格與bounding box關係（圖中S=7，row=4且col=1）

縮進如圖4，在YOLO中輸入圖像被分為SxS網格。假設有一個bounding box（如圖4紅框），其中心剛好落在了(row,col)網格中，則這個網格需要負責預測整個紅框中的dog目標。假設圖像的寬為widthimage，高為heightimage；紅框中心在(xc，yc)，寬為widthbox，高為heightbox那麼：

(1) 對於bounding box的寬和高做如下normalization，使得輸出寬高介於0~1：

(2) 使用(row, col)網格的offset歸一化bounding box的中心坐標：

經過上述公式得到的normalization的(x, y, w, h)，再加之前提到的confidence，共同組成了一個真正在網路中用於回歸的bounding box；而當網路在Test階段(x, y, w, h)經過反向解碼又可得到目標在圖像坐標系的框，解碼代碼在darknet detection_layer.c中的get_detection_boxes()函數，關鍵部分如下：

1. boxes[index].x=(predictions[box_index+0]+col)/l.side*w;
2. boxes[index].y=(predictions[box_index+1]+row)/l.side*h;
3. boxes[index].w=pow(predictions[box_index+2],(l.sqrt?2:1))*w;
4. boxes[index].h=pow(predictions[box_index+3],(l.sqrt?2:1))*h;

而w和h就是圖像寬高，l.side是上文中提到的S。4. YOLO訓練過程

縮進對於任何一種網路，loss都是非常重要的，直接決定網路效果的好壞。YOLO的Loss函數設計時主要考慮了以下3個方面

(1) bounding box的(x, y, w, h)的坐標預測誤差。

縮進在檢測演算法的實際使用中，一般都有這種經驗：對不同大小的bounding box預測中，相比於大box大小預測偏一點，小box大小測偏一點肯定更不能被忍受。所以在Loss中同等對待大小不同的box是不合理的。為了解決這個問題，作者用了一個比較取巧的辦法，即對w和h求平方根進行回歸。從後續效果來看，這樣做很有效，但是也沒有完全解決問題。

(2) bounding box的confidence預測誤差

縮進由於絕大部分網格中不包含目標，導致絕大部分box的confidence=0，所以在設計confidence誤差時同等對待包含目標和不包含目標的box也是不合理的，否則會導致模型不穩定。作者在不含object的box的confidence預測誤差中乘以懲罰權重λnoobj=0.5。

縮進除此之外，同等對待4個值(x, y, w, h)的坐標預測誤差與1個值的conference預測誤差也不合理，所以作者在坐標預測誤差誤差之前乘以權重λcoord=5（至於為什麼是5而不是4，我也不知道T_T）。

(3) 分類預測誤差

縮進即每個box屬於什麼類別，需要注意一個網格只預測一次類別，即默認每個網格中的所有B個bounding box都是同一類。

所以，YOLO的最終誤差為下：

Loss =λcoord *坐標預測誤差 + （含object的box confidence預測誤差 +λnoobj * 不含object的box confidence預測誤差） + 類別預測誤差

=

-------------------------------------------------------下面是一點參考內容--------------------------------------------------------

縮進在各種常用框架中實現網路中一般需要完成forward與backward過程，forward函數只需依照Loss編碼即可，而backward函數簡需要計算殘差delta。這裡單解釋一下YOLO的負反饋，即backward的實現方法。在UFLDL教程中網路正向傳播方式定義為：

而最後一層反向傳播殘差定義為：

對於YOLO來說，最後一層是detection_layer，而倒數第二層是connected_layer（全連接層），之間沒有ReLU層，即相當於最後一層的激活函數為：

那麼，對於detection_layer的殘差就變為：

只需計算每一項的參數訓練目標值與網路輸出值之差，反向回傳即可，與代碼對應。其他細節讀者請自行分析代碼，不再介紹。

縮進在論文中，作者給出了YOLO與Fast RCNN檢測結果對比，如下圖。YOLO對背景的誤判率(4.75%)比Fast RCNN的誤判率(13.6%)低很多。但是YOLO的定位準確率較差，佔總誤差比例的19.0%，而fast rcnn僅為8.6%。這說明了YOLO中把檢測轉化為回歸的思路有較好的precision，但是bounding box的定位方法還需要進一步改進。

縮進綜上所述，YOLO有如下特點：

1. 快。YOLO將物體檢測作為回歸問題進行求解，整個檢測網路pipeline簡單，且訓練只需一次完成。
2. 背景誤檢率低。YOLO在訓練和推理過程中能「看到」整張圖像的整體信息，而基於region proposal的物體檢測方法（如Fast RCNN）在檢測過程中，只「看到」候選框內的局部圖像信息。因此，若當圖像背景（非物體）中的部分數據被包含在候選框中送入檢測網路進行檢測時，容易被誤檢測成物體[1]。
3. 識別物體位置精準性差，√w和√h策略並沒有完全解決location準確度問題。
4. 召回率低，尤其是對小目標。

----------------------------------------------------------------------

參考文獻：

[1] YOLO詳解，趙麗麗， https://zhuanlan.zhihu.com/p/25236464

[2] 論文閱讀筆記：You Only Look Once: Unified, Real-Time Object Detection，tangwei2014，http://blog.csdn.net/tangwei2014/article/details/5091531