YOLO 工作原理
- YOLO 的工作原理是，将图片输入到多层卷积以提取图片特征。然后直接在输出层回归目标框坐标及其所属的类别。最后通过NMS处理去掉重叠的目标框。
- 与 Faster-RCNN 不同，Faster-RCNN 是在提取特征图后，使用候选框去扫描特征图的方式去寻找目标。然后通过两个子网络进行回归分类。一个用于将候选框加上偏移缩放，以回归目标坐标。一个用来做目标分类。最后通过NMS处理去掉重叠的目标框。
YOLO 优缺点
优点：
- 网络简单直观，实现容易。
- 识别与训练速度快。
- 大物体的准确率较高。
缺点：
- 因为直接从特征图输出的分类，特征图分辨率较低，对应重叠度高，或目标细小密集的物体，检出率较低。
YOLO V1
网络结构：
- 网络输入图片大小为 (448*448*3)，经过卷积与最大值池化，得到 (7*7*1024) 的特征。
- 特征经过4096全连接层，转换成 (7*7*30) 结果。
- (7*7*30) 结果，对应 7*7=49 个特征点，最多可在图片检测到49个目标。这里的30包含了两部分信息，一部分是两个目标框坐标 (x,y,w,h) 及置信度，一部分是20个分类，因此(4+1)*2+20=30。
缺点：
- 较小密集的目标，检出率较低。
- 目标框不精准，会有一定偏差。
- 对长宽比差异较大的物体，泛化能力较差。
YOLO V2
改进内容：
- 由直接回归目标坐标 (x,y,w,h)，改为预先设定候选框大小，每个特征图每个点对应3个大小与形状不同的候选框，再回归候选框的偏移量。这样可以优化检测长宽比差异较大的目标时，增加目标框的精度，加快训练速度。
- 图片特征提取网络改为Darknet-19网络，提供训练速度。
- 输入图片大小由 (448*448*3) 改为 (416*416*3)。
- 提取 (13*13) 的特征图。另外取前面的 (26*26) 特征图，转换成 (13*13) 特征图，用于预测更小的物体。
网络结构：
- Docknet19，最后是分类用的，一共1000个类别。YOLO网络去掉结尾部分作为特征提取网络：
- 然后接 (13*13*300) 卷积，得到目标框坐标与分类。 (4+1+20)*3=300。
速度比较：
YOLO V3
改进内容：
- 在 Pascal Titan X 上处理 608x608 图像速度可以达到 20FPS，在 COCO test-dev 上 [email protected] 达到 57.9%。
- 输入图片有3种大小，(320*320)、(416*416)、(608*608)。速度由快到慢，精度由低到高。
- 使用FPN特征金字塔结构，提取3层不同尺度的特征，每个特征采用3种不同大小形状的候选框。
- 特征提取网络由Darknet-19改为Darknet-53，增加了网络深度。
- 由每个框对应各自做 Softmax 分类，改为多个 Logistic 分类器。
- 分类损失采用 binary cross-entropy loss。
网络结构：
- Darknet-53，最后是分类用的，一共1000个类别。YOLO网络去掉结尾部分作为特征提取网络：
- darknet-53 与 ResNet-101 或 ResNet-152 准确率接近，但速度更快，对比如下：
- 完整网络如下：
速度比较：
结论：
- YOLOv3 在 [email protected] 及小目标 APs 上具有不错的结果，但随着 IOU的增大，性能下降，说明 YOLOv3 不能很好地与 ground truth 切合.
参考资料：
