一、目标检测之YOLOv1
You Only Look Once：Unified, Real-Time Object Detection(YOLO: 一体化的，实时的物体检测)
- 论文链接：http://arxiv.org/abs/1506.02640
- 论文翻译：https://blog.csdn.net/woduoxiangfeiya/article/details/80866155
- 论文详解：
（1）https://blog.csdn.net/hrsstudy/article/details/70305791
（2）https://zhuanlan.zhihu.com/p/24916786?utm_source=qq&utm_medium=social - 论文代码：https://github.com/nilboy/tensorflow-yolo
二、YOLOv1算法
1、YOLOv1框架
步骤：
（1） Resize成448×448，图片分割得到7×7网格(cell)
（2）CNN提取特征和预测：卷积层负责提取特征。全连接层负责预测；
- 最后一层输出为 (7×7)×30的维度。每个 1×1×30的维度对应原图7×7个cell中的一个，1×1×30中含有类别预测和bbox坐标预测。总得来讲就是让网格负责类别信息，bounding box主要负责坐标信息(部分负责类别信息：confidence也算类别信息)。具体如下：
- 每个网格（1×1×30维度对应原图中的cell）要预测2个bounding box (上图中黄色实线框)的坐标**（x,y,w,h) ，**其中：bbox中心坐标的(x,y) 相对于对应的网格归一化到0-1之间，w,h用图像的width和height归一化到0-1之间。 每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。 这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息：confidence=
。其中如果有ground true box(人工标记的物体)落在一个grid cell里，第一项取1，否则取0。 第二项是预测的bounding box和实际的ground truth box之间的IOU值。即：每个bounding box要预测 x,y,w,h,confidence,共5个值 ，2个bounding box共10个值，对应 1×1×30维度特征中的前10个。
- 每个网格还要预测类别信息，论文中有20类。7x7的网格，每个网格要预测2个 bounding box 和 20个类别概率，输出就是 7x7x(5x2 + 20) 。 (通用公式： SxS个网格，每个网格要预测B个bounding box还要预测C个categories，输出就是 S x S x (5*B+C) 的一个tensor。 注意：class信息是针对每个网格的，confidence信息是针对每个bounding box的）
（3）损失函数设计
损失函数的设计目标就是让坐标（x,y,w,h），confidence，classification 这个三个方面达到很好的平衡。简单的全部采用了sum-squared error loss来做这件事会有以下不足： a) 8维的localization error和20维的classification error同等重要显然是不合理的； b) 如果一个网格中没有object（一幅图中这种网格很多），那么就会将这些网格中的box的confidence push到0，相比于较少的有object的网格，这种做法是overpowering的，这会导致网络不稳定甚至发散。 解决方案如下：
- 更重视8维的坐标预测，给这些损失前面赋予更大的loss weight, 记为 λcoord ,在pascal VOC训练中取5（上图蓝色框）；
- 对没有object的bbox的confidence loss，赋予小的loss weight，记为 λnoobj ，在pascal VOC训练中取0.5（上图橙色框）；
- 有object的bbox的confidence loss (上图红色框) 和类别的loss （上图紫色框）的loss weight正常取1；
- 对不同大小的bbox预测中，相比于大bbox预测偏一点，小box预测偏一点更不能忍受。而sum-square error loss中对同样的偏移loss是一样。 为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。 如下图：small bbox的横轴值较小，发生偏移时，反应到y轴上的loss（下图绿色）比big box(下图红色)要大。
- 一个网格预测多个bounding box，在训练时我们希望每个object（ground true box）只有一个bounding box专门负责（一个object 一个bbox）。具体做法是与ground true box（object）的IOU最大的bounding box 负责该ground true box(object)的预测。这种做法称作bounding box predictor的specialization(专职化)。每个预测器会对特定（sizes,aspect ratio or classed of object）的ground true box预测的越来越好。（个人理解：IOU最大者偏移会更少一些，可以更快速的学习到正确位置）
2、测试
Test的时候，每个网格预测的class信息( Pr(Class_i | Object) )和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score。
- 等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。
- 对每一个网格的每一个bbox执行同样操作： 7x7x2 = 98 bbox （每个bbox既有对应的class信息又有坐标信息）
- 得到每个bbox的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS处理，就得到最终的检测结果。
