標籤：

YOLO 的發展

08-20
YOLO 的發展

來自專欄文明之光2 人贊了文章

YOLO v1

這是繼RCNN，fast-RCNN和faster-RCNN之後，rbg（RossGirshick）針對DL目標檢測速度問題提出的另外一種框架。YOLO V1其增強版本GPU中能跑45fps，簡化版本155fps。

論文下載：arxiv.org/abs/1506.0264

代碼下載：github.com/pjreddie/dar

1. YOLO的核心思想

  • YOLO的核心思想就是利用整張圖作為網路的輸入，直接在輸出層回歸bounding box的位置和bounding box所屬的類別。
  • faster RCNN中也直接用整張圖作為輸入，但是faster-RCNN整體還是採用了RCNN那種 proposal+classifier的思想，只不過是將提取proposal的步驟放在CNN中實現了,而YOLO則採用直接回歸的思路。

2.YOLO的實現方法

  • 將一幅圖像分成SxS個網格(grid cell)，如果某個object的中心 落在這個網格中，則這個網格就負責預測這個object。

YOLO模型

  • 每個網格要預測B個bounding box，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object的置信度和這個box預測的有多准兩重信息，其值是這樣計算的：

其中如果有object落在一個grid cell里，第一項取1，否則取0。 第二項是預測的bounding box和實際的groundtruth之間的IoU值。

  • 每個bounding box要預測(x, y, w, h)和confidence共5個值，每個網格還要預測一個類別信息，記為C類。則SxS個網格，每個網格要預測B個bounding box還要預測C個categories。輸出就是S x S x (5*B+C)的一個tensor。

    注意：class信息是針對每個網格的，confidence信息是針對每個bounding box的。
  • 舉例說明: 在PASCAL VOC中，圖像輸入為448x448，取S=7，B=2，一共有20個類別(C=20)。則輸出就是7x7x30的一個tensor。

    整個網路結構如下圖所示：

YOLO網路結構

  • 在test的時候，每個網格預測的class信息和bounding box預測的confidence信息相乘，就得到每個bounding box的class-specific confidence score:

等式左邊第一項就是每個網格預測的類別信息，第二三項就是每個bounding box預測的confidence。這個乘積即encode了預測的box屬於某一類的概率，也有該box準確度的信息。

  • 得到每個box的class-specific confidence score以後，設置閾值，濾掉得分低的boxes，對保留的boxes進行NMS處理，就得到最終的檢測結果。
  • 註：

    *由於輸出層為全連接層，因此在檢測時，YOLO訓練模型只支持與訓練圖像相同的輸入解析度。

    *雖然每個格子可以預測B個bounding box，但是最終只選擇只選擇IOU最高的bounding box作為物體檢測輸出，即每個格子最多只預測出一個物體。當物體占畫面比例較小，如圖像中包含畜群或鳥群時，每個格子包含多個物體，但卻只能檢測出其中一個。這是YOLO方法的一個缺陷。

3.YOLO的實現細節

  • 每個grid有30維，這30維中，8維是回歸box的坐標，2維是box的confidence，還有20維是類別。

    其中坐標的x,y用對應網格的offset歸一化到0-1之間，w,h用圖像的width和height歸一化到0-1之間。
  • 在實現中，最主要的就是怎麼設計損失函數，讓這個三個方面得到很好的平衡。作者簡單粗暴的全部採用了sum-squared error loss來做這件事。

    這種做法存在以下幾個問題：

    第一，8維的localization error和20維的classification error同等重要顯然是不合理的；

    第二，如果一個網格中沒有object（一幅圖中這種網格很多），那麼就會將這些網格中的box的confidence push到0，相比於較少的有object的網格，這種做法是overpowering的，這會導致網路不穩定甚至發散。

    解決辦法：

    • 更重視8維的坐標預測，給這些損失前面賦予更大的loss weight, 記為 lambda _{coord} 在pascal VOC訓練中取5。
    • 對沒有object的box的confidence loss，賦予小的loss weight，記為 lambda _{coorbj} 在pascal VOC訓練中取0.5。
    • 有object的box的confidence loss和類別的loss的loss weight正常取1。
  • 對不同大小的box預測中，相比於大box預測偏一點，小box預測偏一點肯定更不能被忍受的。而sum-square error loss中對同樣的偏移loss是一樣。

    為了緩和這個問題，作者用了一個比較取巧的辦法，就是將box的width和height取平方根代替原本的height和width。這個參考下面的圖很容易理解，小box的橫軸值較小，發生偏移時，反應到y軸上相比大box要大。（也是個近似逼近方式）

box大小對應的偏移變化曲線

  • 一個網格預測多個box，希望的是每個box predictor專門負責預測某個object。具體做法就是看當前預測的box與ground truth box中哪個IoU大，就負責哪個。這種做法稱作box predictor的specialization。
  • 最後整個的損失函數如下所示：

Loss函數解析

這個損失函數中：

    • 只有當某個網格中有object的時候才對classification error進行懲罰。
    • 只有當某個box predictor對某個ground truth box負責的時候，才會對box的coordinate error進行懲罰，而對哪個ground truth box負責就看其預測值和ground truth box的IoU是不是在那個cell的所有box中最大。
  • 其他細節，例如使用激活函數使用leak RELU，模型用ImageNet預訓練等等，在這裡就不一一贅述了。
  • 註：

    *YOLO方法模型訓練依賴於物體識別標註數據，因此，對於非常規的物體形狀或比例，YOLO的檢測效果並不理想。

    *YOLO採用了多個下採樣層，網路學到的物體特徵並不精細，因此也會影響檢測效果。

    * YOLO loss函數中，大物體IOU誤差和小物體IOU誤差對網路訓練中loss貢獻值接近（雖然採用求平方根方式，但沒有根本解決問題）。因此，對於小物體，小的IOU誤差也會對網路優化過程造成很大的影響，從而降低了物體檢測的定位準確性。

4.YOLO的缺點

  • YOLO對相互靠的很近的物體，還有很小的群體 檢測效果不好，這是因為一個網格中只預測了兩個框，並且只屬於一類。
  • 同一類物體出現的新的不常見的長寬比和其他情況時，泛化能力偏弱。
  • 由於損失函數的問題，定位誤差是影響檢測效果的主要原因。尤其是大小物體的處理上，還有待加強。

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

YOLO9000 YOLOv2

原文下載：arxiv.org/pdf/1612.0824

工程代碼：pjreddie.com/darknet/yo

摘要

  1. 提出YOLOv2：代表著目前業界最先進物體檢測的水平，它的速度要快過其他檢測系統（FasterR-CNN，ResNet，SSD），使用者可以在它的速度與精確度之間進行權衡。
  2. 提出YOLO9000：這一網路結構可以實時地檢測超過9000種物體分類，這歸功於它使用了WordTree，通過WordTree來混合檢測數據集與識別數據集之中的數據。
  3. 提出了一種新的聯合訓練演算法（ Joint Training Algorithm ），使用這種聯合訓練技術同時在ImageNet和COCO數據集上進行訓練。YOLO9000進一步縮小了監測數據集與識別數據集之間的代溝。

簡介

目前的檢測數據集（DetectionDatasets）有很多限制，分類標籤的信息太少，圖片的數量小於分類數據集（Classi?cation Datasets），而且檢測數據集的成本太高，使其無法當作分類數據集進行使用。而現在的分類數據集卻有著大量的圖片和十分豐富分類信息。

文章提出了一種新的訓練方法–聯合訓練演算法，這種演算法可以把這兩種的數據集混合到一起。使用一種分層的觀點對物體進行分類，用巨量的分類數據集數據來擴充檢測數據集，從而把兩種不同的數據集混合起來。

聯合訓練演算法的基本思路就是：同時在檢測數據集和分類數據集上訓練物體檢測器（Object Detectors ），用監測數據集的數據學習物體的準確位置，用分類數據集的數據來增加分類的類別量、提升健壯性。

YOLO9000就是使用聯合訓練演算法訓練出來的，他擁有9000類的分類信息，這些分類信息學習自ImageNet分類數據集，而物體位置檢測則學習自COCO檢測數據集。

All of our code and pre-trained models are available online at pjreddie.com/yolo9000/

BETTER

YOLO一代有很多缺點，作者希望改進的方向是:改善recall，提升定位的準確度，同時保持分類的準確度。

目前計算機視覺的趨勢是更大更深的網路，更好的性能表現通常依賴於訓練更大的網路或者把多種model綜合到一起。但是YOLO v2則著力於簡化網路。具體的改進見下表：

YOLO 到YOLOv2 的發展

  • Batch Normalization

    使用Batch Normalization對網路進行優化，讓網路提高了收斂性，同時還消除了對其他形式的正則化（regularization）的依賴。通過對YOLO的每一個卷積層增加Batch Normalization，最終使得mAP提高了2%，同時還使model正則化。使用Batch Normalization可以從model中去掉Dropout，而不會產生過擬合。
  • High resolution classifier

    目前業界標準的檢測方法，都要先把分類器（classi?er）放在ImageNet上進行預訓練。從Alexnet開始，大多數的分類器都運行在小於256*256的圖片上。而現在YOLO從224*224增加到了448*448，這就意味著網路需要適應新的輸入解析度。

    為了適應新的解析度，YOLO v2的分類網路以448*448的解析度先在ImageNet上進行Fine Tune，Fine Tune10個epochs，讓網路有時間調整他的濾波器（filters），好讓其能更好的運行在新解析度上，還需要調優用於檢測的Resulting Network。最終通過使用高解析度，mAP提升了4%。
  • Convolution with anchor boxes

    YOLO一代包含有全連接層，從而能直接預測Bounding Boxes的坐標值。 Faster R-CNN的方法只用卷積層與Region Proposal Network來預測Anchor Box的偏移值與置信度，而不是直接預測坐標值。作者發現通過預測偏移量而不是坐標值能夠簡化問題，讓神經網路學習起來更容易。

    所以最終YOLO去掉了全連接層，使用Anchor Boxes來預測 Bounding Boxes。作者去掉了網路中一個Pooling層，這讓卷積層的輸出能有更高的解析度。收縮網路讓其運行在416*416而不是448*448。由於圖片中的物體都傾向於出現在圖片的中心位置，特別是那種比較大的物體，所以有一個單獨位於物體中心的位置用於預測這些物體。YOLO的卷積層採用32這個值來下採樣圖片，所以通過選擇416*416用作輸入尺寸最終能輸出一個13*13的Feature Map。 使用Anchor Box會讓精確度稍微下降，但用了它能讓YOLO能預測出大於一千個框，同時recall達到88%，mAP達到69.2%。
  • Dimension clusters

    之前Anchor Box的尺寸是手動選擇的，所以尺寸還有優化的餘地。 為了優化，在訓練集（training set）Bounding Boxes上跑了一下k-means聚類，來找到一個比較好的值。

    如果我們用標準的歐式距離的k-means，尺寸大的框比小框產生更多的錯誤。因為我們的目的是提高IOU分數，這依賴於Box的大小，所以距離度量的使用：

d(box,centroid)=1-IOU(box,centroid)

通過分析實驗結果（Figure 2），左圖：在model複雜性與high recall之間權衡之後，選擇聚類分類數K=5。右圖：是聚類的中心，大多數是高瘦的Box。

Table1是說明用K-means選擇Anchor Boxes時，當Cluster IOU選擇值為5時，AVG IOU的值是61，這個值要比不用聚類的方法的60.9要高。選擇值為9的時候，AVG IOU更有顯著提高。總之就是說明用聚類的方法是有效果的。

  • Direct location prediction

    用Anchor Box的方法，會讓model變得不穩定，尤其是在最開始的幾次迭代的時候。大多數不穩定因素產生自預測Box的（x,y）位置的時候。按照之前YOLO的方法，網路不會預測偏移量，而是根據YOLO中的網格單元的位置來預測坐標，這就讓Ground Truth的值介於0到1之間。而為了讓網路的結果能落在這一範圍內，網路使用一個 Logistic Activation來對於網路預測結果進行限制，讓結果介於0到1之間。 網路在每一個網格單元中預測出5個Bounding Boxes，每個Bounding Boxes有五個坐標值tx，ty，tw，th，t0，他們的關係見下圖（Figure3）。假設一個網格單元對於圖片左上角的偏移量是cx，cy，Bounding Boxes Prior的寬度和高度是pw，ph，那麼預測的結果見下圖右面的公式：

因為使用了限制讓數值變得參數化，也讓網路更容易學習、更穩定。

Dimension clusters和Direct location prediction，improves YOLO by almost 5% over the version with anchor boxes.

  • Fine-Grained Features

    YOLO修改後的Feature Map大小為13*13，這個尺寸對檢測圖片中尺寸大物體來說足夠了，同時使用這種細粒度的特徵對定位小物體的位置可能也有好處。Faster R-CNN、SSD都使用不同尺寸的Feature Map來取得不同範圍的解析度，而YOLO採取了不同的方法，YOLO加上了一個Passthrough Layer來取得之前的某個26*26解析度的層的特徵。這個Passthrough layer能夠把高解析度特徵與低解析度特徵聯繫在一起，聯繫起來的方法是把相鄰的特徵堆積在不同的Channel之中，這一方法類似與Resnet的Identity Mapping，從而把26*26*512變成13*13*2048。YOLO中的檢測器位於擴展後（expanded ）的Feature Map的上方，所以他能取得細粒度的特徵信息，這提升了YOLO 1%的性能。
  • Multi-ScaleTraining

    作者希望YOLO v2能健壯的運行於不同尺寸的圖片之上，所以把這一想法用於訓練model中。

    區別於之前的補全圖片的尺寸的方法，YOLO v2每迭代幾次都會改變網路參數。每10個Batch，網路會隨機地選擇一個新的圖片尺寸，由於使用了下採樣參數是32，所以不同的尺寸大小也選擇為32的倍數{320，352…..608}，最小320*320，最大608*608，網路會自動改變尺寸，並繼續訓練的過程。

    這一政策讓網路在不同的輸入尺寸上都能達到一個很好的預測效果，同一網路能在不同解析度上進行檢測。當輸入圖片尺寸比較小的時候跑的比較快，輸入圖片尺寸比較大的時候精度高，所以你可以在YOLO v2的速度和精度上進行權衡。

    Figure4，Table 3：在voc2007上的速度與精度

  • Further Experiments

Faster

YOLO使用的是GoogleLeNet，比VGG-16快，YOLO完成一次前向過程只用8.52 billion 運算，而VGG-16要30.69billion，但是YOLO精度稍低於VGG-16。

  • Draknet19

    YOLO v2基於一個新的分類model，有點類似與VGG。YOLO v2使用3*3filter，每次Pooling之後都增加一倍Channels的數量。YOLO v2使用全局平均Pooling，使用Batch Normilazation來讓訓練更穩定，加速收斂，使model規範化。

    最終的model–Darknet19，有19個卷積層和5個maxpooling層，處理一張圖片只需要5.58 billion次運算，在ImageNet上達到72.9%top-1精確度，91.2%top-5精確度。
  • Training for classi?cation

    網路訓練在 ImageNet 1000類分類數據集，訓練了160epochs，使用隨機梯度下降，初始學習率為0.1， polynomial

    rate decay with a power of 4, weight decay of 0.0005 and momentum of 0.9 。訓練期間使用標準的數據擴大方法：隨機裁剪、旋轉、變換顏色（hue）、變換飽和度（saturation）， 變換曝光度（exposure shifts）。

    在訓練時，把整個網路在更大的448*448解析度上Fine Turnning 10個 epoches，初始學習率設置為0.001，這種網路達到達到76.5%top-1精確度，93.3%top-5精確度。

  • Training for detection

    網路去掉了最後一個卷積層，而加上了三個3*3卷積層，每個卷積層有1024個Filters，每個卷積層緊接著一個1*1卷積層， with

    the number of outputs we need for detection。

    對於VOC數據，網路預測出每個網格單元預測五個Bounding Boxes，每個Bounding Boxes預測5個坐標和20類，所以一共125個Filters，增加了Passthough層來獲取前面層的細粒度信息，網路訓練了160epoches，初始學習率0.001，dividing it by 10 at 60 and 90 epochs，a weight decay of 0.0005 and momentum of 0.9，數據擴大方法相同，對COCO與VOC數據集的訓練對策相同。

Stronger

在訓練的過程中，當網路遇到一個來自檢測數據集的圖片與標記信息，那麼就把這些數據用完整的YOLO v2 loss功能反向傳播這個圖片。當網路遇到一個來自分類數據集的圖片和分類標記信息，只用整個結構中分類部分的loss功能反向傳播這個圖片。

但是檢測數據集只有粗粒度的標記信息，像「貓「、「 狗」之類，而分類數據集的標籤信息則更細粒度，更豐富。比如狗這一類就包括」哈士奇「」牛頭梗「」金毛狗「等等。所以如果想同時在監測數據集與分類數據集上進行訓練，那麼就要用一種一致性的方法融合這些標籤信息。

再者，用於分類的方法，大多是用softmax layer方法，softmax意味著分類的類別之間要互相獨立的。而盲目地混合數據集訓練，就會出現比如：檢測數據集的分類信息中」狗「這一分類，在分類數據集合中，就會有的不同種類的狗」哈士奇「」牛頭梗「」金毛「這些分類，這兩種數據集之間的分類信息不相互獨立。所以使用一種多標籤的model來混合數據集，假設一個圖片可以有多個分類信息，並假定分類信息必須是相互獨立的規則可以被忽略。

  • Hierarchical classification

    WordNet的結構是一個直接圖表（directed graph），而不是樹型結構。因為語言是複雜的，狗這個詞既屬於『犬科』又屬於『家畜』兩類，而『犬科』和『家畜』兩類在wordnet中則是同義詞，所以不能用樹形結構。

    作者希望根據ImageNet中包含的概念來建立一個分層樹，為了建立這個分層樹，首先檢查ImagenNet中出現的名詞，再在WordNet中找到這些名詞，再找到這些名詞到達他們根節點的路徑（在這裡設為所有的根節點為實體對象（physical object））。在WordNet中，大多數同義詞只有一個路徑，所以首先把這條路徑中的詞全部都加到分層樹中。接著迭代地檢查剩下的名詞，並儘可能少的把他們添加到分層樹上，添加的原則是取最短路徑加入到樹中。

    為了計算某一結點的絕對概率，只需要對這一結點到根節點的整條路徑的所有概率進行相乘。所以比如你想知道一個圖片是否是Norfolk terrier的概率，則進行如下計算：

為了驗證這一個方法，在WordTree上訓練Darknet19的model，使用1000類的ImageNet進行訓練，為了建立WordtTree 1K，把所有中間辭彙加入到WordTree上，把標籤空間從1000擴大到了1369。在訓練過程中，如果有一個圖片的標籤是」Norfolk terrier「，那麼這個圖片還會獲得」狗「（dog）以及「哺乳動物」（mammal）等標籤。總之現在一張圖片是多標記的，標記之間不需要相互獨立。

如Figure5所示，之前的ImageNet分類是使用一個大softmax進行分類。而現在，WordTree只需要對同一概念下的同義詞進行softmax分類。

使用相同的訓練參數，這種分層結構的Darknet19達到71.9%top-1精度和90.4%top-5精確度，精度只有微小的下降。

這種方法的好處：在對未知或者新的物體進行分類時，性能降低的很優雅（gracefully）。比如看到一個狗的照片，但不知道是哪種種類的狗，那麼就高置信度（confidence）預測是」狗「，而其他狗的種類的同義詞如」哈士奇「」牛頭梗「」金毛「等這些則低置信度。

  • Datasets combination with wordtree

    用WordTree 把數據集合中的類別映射到分層樹中的同義詞上，例如上圖Figure 6，WordTree混合ImageNet與COCO。
  • Joint classification and detection

    作者的目的是：訓練一個Extremely Large Scale檢測器。所以訓練的時候使用WordTree混合了COCO檢測數據集與ImageNet中的Top9000類，混合後的數據集對應的WordTree有9418個類。另一方面，由於ImageNet數據集太大了，作者為了平衡一下兩個數據集之間的數據量，通過過採樣（oversampling）COCO數據集中的數據，使COCO數據集與ImageNet數據集之間的數據量比例達到1：4。

    YOLO9000的訓練基於YOLO v2的構架，但是使用3priors而不是5來限制輸出的大小。當網路遇到檢測數據集中的圖片時則正常地反方向傳播，當遇到分類數據集圖片的時候，只使用分類的loss功能進行反向傳播。同時作者假設IOU最少為 .3。最後根據這些假設進行反向傳播。

    使用聯合訓練法，YOLO9000使用COCO檢測數據集學習檢測圖片中的物體的位置，使用ImageNet分類數據集學習如何從大量的類別中進行分類。

    為了評估這一方法，使用ImageNet Detection Task對訓練結果進行評估。

    評估結果：

    YOLO9000取得19.7mAP。

    在未學習過的156個分類數據上進行測試，mAP達到16.0。

    YOLO9000的mAP比DPM高，而且YOLO有更多先進的特徵，YOLO9000是用部分監督的方式在不同訓練集上進行訓練，同時還能檢測9000個物體類別，並保證實時運行。

雖然YOLO9000對動物的識別性能很好，但是對類別為」sungalsses「或者」swimming trunks「這些衣服或者裝備的類別，它的識別性能不是很好，見table 7。這跟數據集的數據組成有很大關係。

總結

YOLO v2 代表著目前最先進物體檢測的水平，在多種監測數據集中都要快過其他檢測系統，並可以在速度與精確度上進行權衡。

YOLO 9000 的網路結構允許實時地檢測超過9000種物體分類，這歸功於它能同時優化檢測與分類功能。使用WordTree來混合來自不同的資源的訓練數據，並使用聯合優化技術同時在ImageNet和COCO數據集上進行訓練，YOLO9000進一步縮小了監測數據集與識別數據集之間的大小代溝。

文章還提出了WordTree，數據集混合訓練，多尺寸訓練等全新的訓練方法。

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

YOLO v3

YOLOv3在Pascal Titan X上處理608x608圖像速度達到20FPS，在 COCO test-dev 上 mAP@0.5 達到 57.9%，與RetinaNet（FocalLoss論文所提出的單階段網路）的結果相近，並且速度快4倍.

YOLO v3的模型比之前的模型複雜了不少，可以通過改變模型結構的大小來權衡速度與精度。

速度對比如下：

YOLOv3 與其他演算法的效果對比

YOLOv3 在實現相同準確度下要顯著地比其它檢測方法快。時間都是在採用 M40 或 Titan X 等相同 GPU 下測量的。

簡而言之，YOLOv3 的先驗檢測（Prior detection）系統將分類器或定位器重新用於執行檢測任務。他們將模型應用於圖像的多個位置和尺度。而那些評分較高的區域就可以視為檢測結果。此外，相對於其它目標檢測方法，我們使用了完全不同的方法。我們將一個單神經網路應用於整張圖像，該網路將圖像劃分為不同的區域，因而預測每一塊區域的邊界框和概率，這些邊界框會通過預測的概率加權。我們的模型相比於基於分類器的系統有一些優勢。它在測試時會查看整個圖像，所以它的預測利用了圖像中的全局信息。與需要數千張單一目標圖像的 R-CNN 不同，它通過單一網路評估進行預測。這令 YOLOv3 非常快，一般它比 R-CNN 快 1000 倍、比 Fast R-CNN 快 100 倍。

改進之處：

1.多尺度預測 （類FPN）

2.更好的基礎分類網路（類ResNet）和分類器 darknet-53,見下圖。

3.分類器-類別預測：

YOLOv3不使用Softmax對每個框進行分類，主要考慮因素有兩個：

a.Softmax使得每個框分配一個類別（score最大的一個），而對於Open Images這種數據集，目標可能有重疊的類別標籤，因此Softmax不適用於多標籤分類。

b.Softmax可被獨立的多個logistic分類器替代，且準確率不會下降。分類損失採用binary cross-entropy loss.

多尺度預測

每種尺度預測3個box, anchor的設計方式仍然使用聚類,得到9個聚類中心,將其按照大小均分給3中尺度.

  • 尺度1: 在基礎網路之後添加一些卷積層再輸出box信息.
  • 尺度2: 從尺度1中的倒數第二層的卷積層上採樣(x2)再與最後一個16x16大小的特徵圖相加,再次通過多個卷積後輸出box信息.相比尺度1變大兩倍.
  • 尺度3: 與尺度2類似,使用了32x32大小的特徵圖.

參見網路結構定義文件yolov3.cfg

基礎網路 Darknet-53

darknet-53

仿ResNet, 與ResNet-101或ResNet-152準確率接近,但速度更快.對比如下:

主幹架構的性能對比

檢測結構如下：

YOLOv3在mAP@0.5及小目標APs上具有不錯的結果,但隨著IOU的增大,性能下降,說明YOLOv3不能很好地與ground truth切合.

邊框預測

圖 2：帶有維度先驗和定位預測的邊界框。我們邊界框的寬和高以作為離聚類中心的位移，並使用 Sigmoid 函數預測邊界框相對於濾波器應用位置的中心坐標。

仍採用之前的logis，其中cx,cy是網格的坐標偏移量,pw,ph是預設的anchor box的邊長.最終得到的邊框坐標值是b*,而網路學習目標是t*，用sigmod函數、指數轉換。

優點

  • 快速,pipline簡單.
  • 背景誤檢率低。
  • 通用性強。YOLO對於藝術類作品中的物體檢測同樣適用。它對非自然圖像物體的檢測率遠遠高於DPM和RCNN系列檢測方法。

但相比RCNN系列物體檢測方法，YOLO具有以下缺點：

  • 識別物體位置精準性差。
  • 召回率低。在每個網格中預測兩個box這種約束方式減少了對同一目標的多次檢測(R-CNN使用的region proposal方式重疊較多),相比R-CNN使用Selective Search產生2000個proposal（RCNN測試時每張超過40秒）,yolo僅使用7x7x2個.

YOLO v.s Faster R-CNN

  1. 統一網路:

    YOLO沒有顯示求取region proposal的過程。Faster R-CNN中儘管RPN與fast rcnn共享卷積層，但是在模型訓練過程中，需要反覆訓練RPN網路和fast rcnn網路.

    相對於R-CNN系列的"看兩眼"(候選框提取與分類，圖示如下),YOLO只需要Look Once.

YOLO統一為一個回歸問題，而R-CNN將檢測結果分為兩部分求解：物體類別（分類問題），物體位置即bounding box（回歸問題）。


推薦閱讀：

※[論文筆記] Deep Meta Learning for Real-Time Visual Tracking based on Target-Specific Feature Space
※CMU提出「十字綉網路」，自動決定多任務學習的最佳共享層
※第三篇：Scan to map 簡述
※有趣的圖像處理技術（二）
※體積減半畫質翻倍，他用TensorFlow實現了這個圖像極度壓縮模型

TAG:計算機視覺 | 深度學習DeepLearning | 圖像處理 |