深度学习之YOLO系列（一）

学习论文：YOLO: Unified, Real-Time Object Detection

核心思想
YOLO 的核心思想就是把目标检测转变成一个回归问题，利用整张图作为网络的输入，仅仅经过一个神经网络，得到bounding box（边界框） 的位置及其所属的类别。

实现过程

1. 将一幅图像分成 S*S个网格（grid cell），如果某个 object 的中心落在这个网格中，则这个网格就负责预测这个object。
2. 每个网格要预测 B 个bounding box，每个 bounding box 要预测 (x, y, w, h) 和 confidence 共5个值。
3. 每个网格还要预测一个类别信息，记为 C 个类。
4. 总的来说，SS 个网格，每个网格要预测 B个bounding box ,还要预测 C 个 类。输出就是 S * S * (5B+C) 的一个 tensor。

YOLO网络结构

1. 采用了24层卷积层，2层全连接层。
2. 借鉴了GoogLeNet分类网络结构，但不完全相同。（比如层数不同）
3. 卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值。
   
   目标损失函数
   先给出论文中的损失函数原型：
   
   由目标损失函数可以看出：
4. 由三部分组成，分别是：坐标预测、置信度预测和类别预测。
5. 使用的是平方和误差，因为它容易优化，但是它并不完全符合我们最大化平均精度的目标。如果它的定位误差与分类误差相等，可能不是理想的。为了增加对定位误差的判罚，使第二项系数为5。
6. 在每个图像中，许多网格单元不包含任何对象。这就把这些细胞的“置信度”分数推到零，往往超过了包含对象的细胞的梯度。这可能导致模型不稳定，导致训练早期发散。为了减小对不包含对象的框的置信度的判罚，使之第三项系数为0.5。
7. 这里要注意，w和h在进行误差计算的时候取的是它们的平方根，原因是对不同大小的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。

性能分析
优点：

1. YOLO 检测系统非常的快。对于实时检测，标准版本的 YOLO 系统可以每秒处理 45 张图像；YOLO 的极速版本可以处理 150 帧图像。这就意味着 YOLO 可以以小于 25 毫秒延迟，实时地处理视频。对于欠实时系统，在准确率保证的情况下，YOLO速度快于其他方法。
2. YOLO 实时检测的mean Average Precision是其他实时监测系统的两倍。
3. 迁移能力强，能运用到其他的新的领域（比如艺术品目标检测）。
   局限：
4. YOLO对相互靠近的物体，以及很小的群体检测效果不好，这是一个网格只预测了2个框，并且都只属于同一类。
5. YOLO是从数据中学习预测bounding boxes,因此，对不常见的角度的目标泛化性能偏弱。
6. 由于损失函数的问题，定位误差是影响检测效果的主要原因，尤其是大小物体的处理上，还有待加强。（因为对于小的bounding boxes，small error影响更大）

结论
YOLO作为一种基于单独神经网络模型的目标检测方法，具有可以高准确率、快速检测的特点，同时具有一定的鲁棒性，可以适用于实时目标检测。