12.YOLO系列算法详解

2018-12-14 本文已影响67人和蔼的zhxing

这篇主要是介绍一下YOLO系列算法。

1. YOLOV1。

这是YOLO系列的第一篇，文章发表在CVPR2016上，论文链接:YOLOV1.
摘要指出了文章的主要创新之处：把分类问题转换为回归问题，使用一个卷积神经网络就可以直接预测物体的bounding box和类别概率。
算法的优点有很多：

速度快，Titan X: 45fps。加速版则能达到150fps。
基于全局信息检测而不是生成region proposal的方法，可以将背景误检率降低一半（把背景识别成物体）。
泛化能力较强，在艺术作品上有较好的结果。
下面是作者论文中给的图：

可以看出，这是一个end-to-end的框架。

1.1 检测框架。

整个框架把输入图像分成s * s个grid,然后每一个格子预测B个bounding box，每个bounding box包含五个预测参数：x,y,w,h（都是归一化之后的），以及confidence。另外每个格子都预测C个假定类别的概率。
论文中，S=7,B=2,C=20(VOC 的20个类别)，所以最后一共有77(2*5+20)
维度的tensor，看这个图就很明白了。

confidence的计算公式：

$\Pr(Object)\ast IOU_ {pred}^{truth}\$

每个bounding box都有一个对应的confidence score,如果当前的gird cell中不包含object的话，这个confidence就应该是0，如果有的话，这个confidence score就等于预测的box与ground truth的IOU值。那么如何判断一个grid cell中是否包含object呢？作者是这么做的：如果一个object的ground truth的中心店坐标落入一个grid cell中，那么这个grid cell就包含这个object，这个object的预测就由这个grid cell负责（也就是说每一个grid只能预测一个物体，那么对于分布密集的物体，就极有可能造成漏检，因为密集的物体可能会有多个物体的中心落在同一个grid之中。），每个grid cell都要预测C个类别概率。表示当前的gird
cell 在包含某个object的条件下属于某个类别的概率，文章中是这样说的：

这个C个概率是对应于gird cell的，在预测的时候，需要得到bounding box的类别概率:

$\ Pr(Class_{i}|Object)\ast IOU_{pred}^{truth}=Pr(Class_{i}\ast IOU_{pred}^{truth}) \$

这个乘法具体是如何做的？下面这个图显示的很清楚：

对于每一个bounding box来说，用它的confidence来乘上当前grid cell里每个类别的概率。对于文中来说，每一个gird取2个bounding box，那么就会有 $\ 20\ast(7\ast7\ast2)=20\ast98 \$ 的一个矩阵，矩阵的行数代表类别数，列数带别bounding box的数量,如下图：

在每一行中，将得分少于阈值（0.2）的置零。然后再按照得分从高到低排序然后使用NMS算法去掉重复率交大的bounding box（NMS: 针对某一个类别，选择得分最大的bounding box,然后计算它与其他bounding box的IOU值，如果IOU大于0.5，则说明重复率交大，将该得分设置为0，否则不做处理，重复完之后，然后从未处理的bounding box中选取一个得分最高的，重复上述步骤）。下面这个图很好的说明了YOLO中NMS是如何做的：

1.2. 网络设计。

YOLOv1包含24个卷积层以及两个全连接层，网络的最后输出是7730的tensor，这个tensor就对应着 $\ 7\ast7 \$ 个grid cell的predictions.

1.3. 训练。

该论文的训练策略，总体给人的感觉：比较复杂，技巧性比较强。可以看得出作者为了提升性能花了不少功夫。

首先利用 ImageNet 的数据集 Pretrain 卷积层。使用上述网络中的前 20 个卷积层，外加一个全连接层，作为Pretrain 的网络，训练大约一周的时间，使得在 ImageNet 2012 的验证数据集 Top-5 的准确度达到88%，这个结果跟 GoogleNet 的效果相当。
将 Pretrain 的结果应用到 Detection 中，将剩下的 4 个卷积层及 2 个全连接成加入到 Pretrain的网络中。同时为了获取更精细化的结果，将输入图像的分辨率由 $\ 224 \ast224 \$ 提升到 $\ 448\ast 448\$ 。
将所有的预测结果都归一化到 0~1, 使用 Leaky RELU 作为激活函数。
这个函数长这样：
$y = \left\{ \begin{array}{ll} x & \textrm{if $x>0$}\\ 0.1x & \textrm{otherwise} \end{array} \right.$
对比 localization error 和 classification error，加大 localization 的权重
在 Pascal VOC 2007 和 2012 上训练 135 个 epochs， Batchsize 设置为 64， Momentum为 0.9， Decay 为 0.0005.
在第一个 epoch 中学习率是逐渐从10−3增大到10−2，然后保持学习率为10−2，一直训练到 75个epochs，然后学习率为10−3训练 30 个 epochs，最后学习率为10−4训练 30 个 epochs。
为了防止过拟合，在第一个全连接层后面接了一个ratio=0.5的 Dropout层。并且对原始图像做了一些随机采样和缩放，甚至对调节图像的在 HSV 空间的饱和度。