一、论文思想

1.将一个图像分成S*S个网格（grid cell），如果某个object的中心落在这个网格中，则这个网络就负责预测这个object。

2.每个网格要预测B个bounding box，每个bounding box除了要预测位置之外，还要附带预测一个confidence值。每个网格还要预测C个的类别分数。

bounding box的含义：

bounding box由5个数值组成，分别为x，y，w，h，confidence，其中（x，y）是相对于grid cell预测目标的中心位置参数，（w，h）是相对于整个图像预测目标的中心位置参数，confidence值为预测目标与真实目标的交并比。

confidence分数：

本文中提到confidence分数定义的地方有两处：

pr（Object）是一个布尔值，当检测到有目标对象时为1，否则为0，因此我们可以变相的认为confidence就是IoU值。

下图为上图公式的推导过程。

二、网络结构

yolo的网络模型结构，如下图所示：

训练过程：

1.首先，输入图像先经过一个7x7，步距为2的卷积层，再经过一个2x2，步距为2的下采样，再经过类似的5组卷积层和池化层，输出一个7x7x1024的特征图。

2.其次，将特征图进行展平（flatten）处理，再经过两个全连接层，得到一个长度为1470的特征向量

3.最后，将特征向量reshape为一个7x7x30的特征矩阵

（除了最后一层的输出使用了线性激活函数，其他层全部使用Leaky Relu激活函数）

例如，在Pascal VOC上评估YOLO，最终输出的是一个7 x 7 x 30的张量。

预测的Feature map结构，如下图所示：

沿着深度方向的每一行包含30个数组，分别为2个bounding box + 2个confidence值 + 20个类别分数，每个bounding box又包含4个值，这4个值为目标的坐标信息。

三、训练

1.Leaky Relu激活函数

除了最后一层的输出使用了线性激活函数，其他层全部使用Leaky Relu激活函数

 2.损失函数

该损失函数为误差平方和，最终的损失共包含三个部分，分别为bounding box损失、confidence损失、classes损失。以保证误差值不偏向大目标或小目标。

四、实验

数据集：Pascal VOC 2007和2012

对比网络：R-CNN Minus R、Fast R-CNN、Faster R-CNN、DPM

对比结果：

五、结论

yolo网络可以同时预测一张图像中的所有类别的所有边界框，再通过confidence分数判断是否对框包含目标对象，只需要一次网络评估，来加快模型预测检测的速度。