【论文阅读笔记】YOLO v1——You Only Look Once: Unified, Real-Time Object Detection

（一）论文地址：

https://arxiv.org/pdf/1506.02640.pdf

（二）核心思想：

YOLO v1 的提出基本是 one-stage 方法的里程碑，作者使用了全局全连接的方法，将目标检测问题重新定义成了一个回归问题，并使得每个预测框都具有全局信息，实现了真正端到端的训练；

并且实验结果也非常出色，不仅比 R-CNN 和 DPM 更快（45 FPS），而且准确率也有了很大的提升；而且一个更小的网络 Fast YOLO，在准确率不受很大影响的情况下，速度达到了 155 FPS；

（三）网络结构：

YOLO 的 backbone 依然采用了分类网络，但最后两层使用了全卷积层，最终输出一个 7×7×30 的特征层，其中每个点由于是全连接输出，都考虑了全局的特征信息；

（注意由于使用了全卷积，图像必须是统一448×448大小）

（四）Unified Detection：

这里是 YOLO 的点睛之笔；

YOLO 为了实现端到端（end-to-end）的训练，不再采用预选框（anchor 或者 default box），而是直接将图像划分成 $S×S$ 个网格区域（文中 $S=7$）；

每个区域预测的值为：

1. 该区域覆盖的相应物体的 $B$ 个坐标框的 $4$ 个值（文中 $B=2）$，分别为 $\lbrace x,y,w,h \rbrace$，同时输出这 $B$ 个预测框的置信度 $p_b$，选取置信度最高的那个预测框作为最终的结果；
2. 该区域覆盖物体的分类置信度 $C$，其中在 VOC 数据集中 $C$ 是长度为 $20$ 的分类向量；

只有物体的真值框中心落入相应的区域，该区域才被标注为正样本，其置信度定义为：

即相应物体预测框与真值框的交并比（IOU）；

因此每个区域生成 $B×(4+1)+C=30$ 个预测值，最后全连接层的输出大小为 $S×S×30$；

这里使用 $B$ 个预测 box 并生成置信度，是为了提高预测结果的容错率；增大 $B$ 可以提高模型的鲁棒性，但相应的全连接层的计算复杂度也会大大提高；

（五）实验细节：

5.1 激活函数：

激活函数使用了 Leaky ReLU：

5.2 坐标归一化：

将预测的坐标值 $\lbrace x_p,y_p,w_p,h_p \rbrace$ 归一化为：

$x_p=(x-x_b)/L,y_p=(y-y_b)/L$

$w_p=w/W,h_p=h/W$

其中：

1. $x,y,w,h$ 是真值框的坐标；
2. $x_b,y_b$ 为对应区域的中心坐标；
3. $W$ 是图像边长，文中 $W=448$；
4. $L$ 为步长，即 $L=W/S$；

5.3 Loss 函数：

Loss 函数使用了均方差损失函数；

同时为了调节正负样本不均衡问题，引入了两个权重参数：

1. $\lambda_{coord}=5$，表示正样本的坐标回归权重；
2. $\lambda_{noobj}=0.5$，表示负样本的置信度权重；

负样本的预测坐标和类别向量不参与训练；

最终 Loss 定义如下：

5.4 训练细节：

$batch_size=64$

$momentum=0.9$

$weight$ $decay=0.0005$

$learning$ $rate$ 从 $10^{-3}$ 先升到 $10^{-2}$ 再降到 $10^{-4}$；

$drop$ $rate=0.5$

（六）实验结果：

（作者挑的图好奇怪，，，）