CVPR2016： You Only Look Once:Unified, Real-Time Object Detection

YOLO，You Only Look Once，摒棄了RCNN系列方法中的region proposal步驟，將detection問題轉為一個迴歸問題

網絡結構

• 輸入圖片：resize到448x448
• 整張圖片輸入卷積神經網絡（24層卷積+2層全連接，下面這張示意圖是Fast YOLO的）

• 將圖片劃分為SxS個格子，S=7
• 輸出一個SxS大小的class probability map，為圖片上每個格子所屬的分類

• 輸出為每個格子輸出B個bounding box，每個bounding box由x,y,w,h表示，為每個bounding box輸出一個confidence，即屬於前景的置信度

於是輸出可以表示為一個SxSx(B*(4+1)+C)的tensor，訓練只需要根據數據集準備好這樣的tensor進行regression就行

• 對所有bounding box按照confidence做非極大抑制，得到檢測結果

訓練

Loss

• 前兩行為定位loss，λ_coord為定位loss的權重，論文中取5
• 第三行為一個bounding box屬於前景時的置信度迴歸loss，
• 當格子中有對象出現時，真實C_i為1，
• 1_ij^obj是一個條件表達式，當bounding box“負責(is responsible for)”圖中一個真實對象時為1，否則為0，
• 所謂“負責”，指的是在當前這個格子的所有bounding box中，這個bounding box與真實的bounding box重疊率最大
• 第四行為一個bounding box屬於背景時的置信度迴歸loss，
• 為了避免負樣本過多導致模型跑偏， λ_noobj=0.5，
• 1_ij^noobj是一個條件表達式，為1_ij^obj取反
• 於是我們可以發現一個格子的兩個bounding box的分工：一個貢獻前景loss，一個貢獻背景loss ，不論是前景背景box，我們都希望它們的confidence接近真實confidence，實際上，如果 λ
  _noobj=1， 第四五行可以合併為一項求和，但由於背景box太多，所以才單獨拆開加了權重約束
• 第五行為分類loss，1_i^obj是一個條件表達式，當有對象出現在這個格子中，取1，否則取0

YOLO裡最核心的東西就講完了，其實可以把YOLO看作固定region proposal的Faster RCNN，於是可以省掉Faster RCNN裡region proposal部分，分類和bounding box regression跟Faster RCNN是差不多的

細節

Leaky Relu

網絡中只有最後的全連接層用了線性的激活函數，其他層用了leaky Relu：f(x)=max(x, 0.1x)

對比Relu和leaky Relu

在x小於0的時候，用了0.1x，避免使用relu的時候有些單元永遠得不到激活（Dead ReLU Problem）

Fast YOLO

卷積層更少，只有9層卷積+2層全連接，每層filters也更少，於是速度更快

實驗效果

• 對比當前最好方法：

Fast YOLO速度最快，準確率不太高，但還是比傳統方法好，YOLO則比較中庸，速度不慢，準確率也不太高，但也還行。

• 再看看具體是在哪些類型的圖片上出錯的：

主要是定位不準（畢竟沒有精細的region proposal），但是在背景上出錯較少（不容易把背景當成對象）

缺點

• 固定的格子是一種很強的空間限制，7x7的格子決定了整張圖片最多預測98個對象，對於對象數量很多的圖片（比如鳥群）無能為力
• 難以泛化到其他形狀或角度的物體上
• 損失函數沒有考慮不同尺寸物體的error權重，大box權重和小box權重一樣

Summary

Anyway，YOLO結構還是挺優雅的，比Faster RCNN黑科技少多了，更重要的是，它是當時最快的深度學習檢測模型，也是很值得肯定的。

閱讀更多 科科大數據 的文章

關鍵字: 系列 人工智能 網絡結構