目标检测算法-YOLO算法纵向对比理解

目标检测算法-YOLO算法纵向对比理解

DeepLearning的目标检测任务主要有两大类：一段式，两段式

其中两段式主要包括RCNN、FastRCNN、FasterRCNN为代表，

一段式主要包括YOLO，SSD等算法

由于一段式直接在最后进行分类(判断所属类别)和回归(标记物体的位置框框)，所以现在一段式大有发展。

YOLO v1

论文地址：You Only Look Once: Unified, Real-Time Object Detection

YOLOv1是one-stage detector鼻祖、real-time detector鼻祖。

所谓one-stage，即不需额外一个stage来生成RP，而是直接分类回归出output：

YOLOv1直接将整张图片分成 S× $S \times S$

YOLOv1最后一层的输出是一个 $S \times S \times (B * 5 + C)$

YOLO v1包括24个conv layer + 2 fc layer

YOLOv1采用了山寨版的GoogleNet作为backbone，而不是VGG Net；

在第24层时，每个单点对应原图的感受野达到了782×782。而原图只有448×448，覆盖了整张原图。也就意味着，

到了第24层的时候，每个单点都能看到整张原图。更不要提第25、26层是两个fc操作了。

另外，快速版本的YOLO v1：Fast YOLOv1=9×Conv+2×FC。速度更快，但精度也略低。

这里提供一个感受野计算神器：

https://fomoro.com/research/article/receptive-field-calculator#3,1,1,VALID;2,2,1,VALID;3,1,1,VALID;2,2,1,VALID;3,1,1,VALID;3,1,1,VALID;2,2,1,VALID

YOLO v2

论文地址：YOLO9000: Better, Faster, Stronger

2.0版本的算法作者发明的一系列骚操作（Dimension Clusters、Direct location prediction、Multi-Scale Training、DarkNet-19）

Dimension Clusters (维度聚类) 。经过对VOC数据集和COCO数据集中bbox的k-means聚类分析，将anchor机制中原本惯用的 9 anchor 法则删减为仅保留最常出现的 5 anchor 。其中，狭长型的anchor是被保留的主体。

Direct location prediction (直接位置预测) 。用新的位置预测算法来缩小参数范围，使之更容易学习，也使得网络更加稳定。

引入Batch Normalization，涨0.2。

训练分类的阶段，每10个epoch就在448×448的高像素图片上fine-tune一下，使之能更好地适应高像素的输入图像。该操作对mAP涨0.4。

抛弃后段的FC层，改用anchor机制来预测bbox。该操作虽然使得mAP从69.5降至69.2，但是召回率从81暴涨至88。

Dimension Clusters (维度聚类) 。经过对VOC数据集和COCO数据集中bbox的k-means聚类分析，将anchor机制中原本惯用的 9 anchor 法则删减为仅保留最常出现的 5 anchor 。其中，狭长型的anchor是被保留的主体。
新的 encode/decode机制 —— Direct location prediction (直接位置预测) 。号称用新的位置预测算法来缩小参数范围，使之更容易学习，也使得网络更加稳定。然而现在看来并没有什么影响力，大家主流用的还是Faster R-CNN中设计好的那一套encode/decode机制。

在 26×26 size层设置了通道层接至 13×13 size层。号称保留了更多的位置信息，从而提升细粒度分类的能力。本质上即为single-scale上处理two-scale的feature map信息。该操作涨点1。

Multi-Scale Training (多尺度训练) 。每10个batch就在 320,352,...,608(均为32整数倍)320,352,...,608(均为32整数倍) 中随机选择一个新的input size，该操作据说能锻炼对多尺度input的预测能力。个人感觉这就是集成学习。

作者嫌弃主流backbone VGG-16计算量太大（224×224的图像需要计算30.69 billion次浮点运算），于是自己发明了DarkNet-19出来。

softmax嵌套softmax，从而实现分级语法树，带有分级语法树的YOLOv2，进化为了YOLO9000

YOLO v2结构

YOLOv2的网络架构，22卷积层，global average pooling替代了FC（全连接层）

YOLO v3

论文地址：YOLOv3: An Incremental Improvement

backbone从darknet-19玩到了darknet-53

该文章继承了YOLOv2的bbox预测任务的方法，对bbox分类任务进行了修改 (用简单的logistic替换下softmax)

YOLO v3结构

且大大改善了YOLO之前的一大弊病：小物体漏检。使之在 $A P_{s}$

YOLO v4

论文地址：YOLOv4: Optimal Speed and Accuracy of Object Detection

代码地址：https://github.com/AlexeyAB/darknet

作者对比了 YOLOv4 和当前最优目标检测器，发现 YOLOv4 在取得与 EfficientDet 同等性能的情况下，速度是 EfficientDet 的二倍！此外，与 YOLOv3 相比，新版本的 AP 和 FPS 分别提高了 10% 和 12%。笔者刚撸完EfficientDet，结果更牛又出来了。。。