快速了解一个网络：YOLO, You Only Look Once (YOLOv1)

以下内容偏向于记录个人学习过程及思考，非常规教学内容

背景

基于region proposals的二阶段目标检测网络太慢了

核心思想

提出一种一阶段的目标检测网络结构，将目标检测任务当作一种回归任务去做。

Pipeline

将输入图片分为 S x S 个 grid，每个 grid 预测 B 个框的位置和置信度 + C 个 class 的概率。

因此输出 encode 为 S x S x (B x 5 + C) 的 tensor

由于yolo是基于整张图像去做的（而非基于region proposals），所以yolo对于背景的识别错误率非常低。

但是yolo对于一群小物体的识别精度比较差。

亿些细节

Training

• bounding box的xyhw都经过了归一化，数值控制在0-1
• 由于大部分grid是不包含obj的，所以在设计loss时对于这些不含obj的grid对应的loss权重减少。
• 对于大框和小框都偏离相同的值，显然小框的偏离百分比会更大。若使用同样的平方和误差，对于大小框并不公平。因此这里考虑预测box的长和宽的平方根，以缓解这一问题。
• 训练阶段，对于每个物体仅唯一考虑一个IOU最大的预测器。loss只惩罚出现在对应grid cell的obj，同样也只惩罚IOU最大的预测的bounding box
• 作者使用了drop out, random scaling and translations, random exposure and saturation等防止过拟合

进一步了解

无

原文和代码

https://arxiv.org/abs/1506.02640

参考资料

无