【论文阅读笔记】YOLO v1——You Only Look Once: Unified, Real-Time Object Detection
You Only Look Once: Unified, Real-Time Object Detection
- （一）论文地址：
-
（二）核心思想：
-
（三）网络结构：
-
（四）Unified Detection：
-
（五）实验细节：
-
- 5.1 激活函数选择：
- 5.2 坐标归一化处理：
- 5.3 损失函数设计：
- 5.4 训练参数设置：
-
（六）实验结果：
-
（一）论文地址：
https://arxiv.org/pdf/1506.02640.pdf
（二）核心思想：
YOLO v1 的提出标志着 one-stage 方法的开创性发展，采用全局全连接方法，作者将目标检测问题重新定义为回归问题，每个预测框融合了全局信息，实现了端到端的高效训练。
此外，实验结果令人瞩目，不仅在速度上超越了R-CNN和DPM（达到45帧每秒），在精度方面也实现了显著提升。同时，采用更简洁的网络结构Fast YOLO，在保证精度的前提下，实现了155帧每秒的高效运行。
（三）网络结构：
YOLO的backbone仍然采用了分类网络，其后两层改用全卷积层，输出一个7×7×30的特征层，每个采样点均整合了全局特征信息。
（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旨在实现端到端（end-to-end）的训练，不再依赖anchor boxes或default boxes，而是直接将图像分割为S×S个网格区域（文中S=7）；
每个区域预测的值为：
- 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；
- 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；
当且仅当物体的真值框中心位于相应的区域内时，该区域才能被标注为正样本，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；
通过 B 个预测 box 生成置信度分数，旨在提高预测结果的容错性；虽然增大 B 可以增强模型的鲁棒性，但同时会导致全连接层的计算复杂度显著提升。
（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：
- x,y,w,h 代表真值框的坐标；
- x_b,y_b 表示对应区域的中心点坐标；
- W 被定义为图像的边长，具体数值为448；
- L 被定义为步长，其计算公式为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：
\lambda_{coord}=5，具体体现正类样本的坐标回归权重参数；\lambda_{noobj}=0.5，具体体现负类样本的置信度权重参数。
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，，，）