目标检测论文总结

【RCNN系列】
RCNN
Fast RCNN
Faster RCNN

【YOLO系列】
YOLO V1

---

---

前言

一些经典论文的总结。

---

一、Pipeline

YOLO的pipeline很简单，将一张图片reshape后送入卷积网络，根据卷积网络最后得到的一个三维张量进行目标预测（越觉得和Faster RCNN的RPN网络很类似）。

RCNN系列都是要先获取可能的目标区域（region proposals），把这些可能的区域送进卷积网络进行检测。也就是two-stage检测器。YOLO不同于RCNN系列，它是one-stage检测器，直接根据input得到目标预测。

二、模型设计

1.训练阶段

首先，YOLO把一张图片分成SxS个网格，论文中S取7。也就是一张图片有49个网格，每个网格都会生成2个预测框，通过训练让模型能够生成准确的预测框，将目标标注出来。

回到pipeline，将一张图片送入卷积网络后，卷积网络最后得到的一个[30,7,7]三维张量即30个通道7*7的大小。30通道分别表示2个预测的box的信息（一个box5个：4个偏移+1个置信度），20分类的条件类别概率，即2*5+20=30。

2.损失函数

YOLO损失函数分为三部分，中心损失和宽高损失都是框回归损失（坐标回归损失）、置信度损失（即预测的框包含物体的概率）、分类损失。

图来自B站同济子豪兄。

2.1.框回归损失

总共49个网格，共生成98个框。98个框要确定哪些是正样本也就是哪些是要计算框回归损失的，没有物体的负样本没有定位框自然不用计算框回归损失。

下图标注了四个颜色（蓝色、黄色、红色、紫色）的方框，分别表示狗的中心、自行车的中心、汽车的中心、背景。YOLO预测的98个框中，只有物体中心生成的框，且与GT有最大IOU的框才能作为正样本。比如，蓝色方框是狗的中心，那么这个网格会预测两个框（蓝蓝色虚线框和绿色虚线框），绿色的框与GT（红色）框的IOU最大，所以正样本只有绿色虚线框。也就是只有绿色的框会计算框回归损失。图中只有三个物体，意味着98个框中只有3个框是正样本，参与计算框回归损失。

---

宽高损失取了根号，作者说大框对小偏移不敏感，即使偏移了也能保持较大的IoU，但小框对偏移很敏感。所以通过取根号来减少这种影响。目的就是要放大小预测框的损失，让小框的损失占比能比原来大一些，更好地反向传播。从图像也可以看出在自变量比较小时，两个自变量x1，x2，由于根号的斜率更大的，y2-y1 的差值也会被放大，即放大了小框的误差。
$$\sqrt{x}（红色曲线）和x的图像$$

2.2.置信度损失

置信度损失是是遍历98个框，每个框是否包含物体，如果包含那么这个框的置信度（图中的标签值）应该为1，如果不包含这个框的置信度应该为0。比如，蓝色方框是狗的中心，那么这个网格会预测两个框（蓝蓝色虚线框和绿色虚线框），这两个预测框的P（object）即置信度应该不断训练往1靠近。其他虽然也有包含狗的网格，但是这些网格生成的预测框都被视为不包含物体。汽车、自行车同理。也就是说只有物体中心在的Grid Cell才会被视为有目标，图中只有三个物体，意味着98个框中只有6个框的置信度标签值为1，其他都是0。

2.3.分类损失

卷积网络最后得到的一个[30,7,7]三维张量即30个通道7*7的大小。30通道分别表示2个预测的box的信息（一个box5个：4个偏移+1个置信度），20分类的条件类别概率，即2*5+20=30。卷积网络输出的是条件类别概率（即表示在包含物体的情况下属于某一类的概率），所以代入全概率公式，用预测框的置信度乘以条件类别概率计算分类损失。

类被损失是是遍历49个Grid Cell（网格），只有物体中心所在的Grid Cell才有分类损失。

---

这个设计也是YOLO的缺点所在，由于两个预测框共用一个条件类别概率，所以导致结果一个Grid Cell只能预测一个类别。如果一个Grid Cell里面出现两类物体，即使有两个预测框，但是也只会输出条件概率最大的那一类。这也是YOLO在小目标检测上不好的原因。不过后续的YOLO版本改进了这个缺点，每个预测框都单独有一个类别概率。

---

总结

You Only Look Once！