第四节，目标检测---YOLO系列

1、R-CNN回顾

适应全卷积化CNN结构，提出全卷积化设计

• 共享ResNet的所有卷积层
• 引入变换敏感性（Translation variance）
  • 位置敏感分值图（Position-sensitive score maps）
    • 特殊设计的卷积层
    • Grid位置信息+类别分值
  • 位置敏感池化（Position-sensitive RoI pooling）
    • 无训练参数
    • 无全连接网络的类别推断

R-FCN的位置敏感卷积层

使用k²(C+1)个通道对（位置，类别）组合进行编码

• 类别：C个物体类+1个背景类
• 相对位置：kxk个Grid(k=3)
• 位置敏感分值图（Position-sensitive score maps)
  • 每个分类k²个score map
  • score map 尺寸=图片尺寸

R-FCN的位置敏感RoI池化层

显式地编码相对位置信息

• 将wxh尺寸的RoI拆分成kxk个w/k x h/k尺寸的bin
• 不同（颜色）bin对应不同（颜色）通道层（score map）
• Bin内做均值池化
• 输出尺寸kxkx(C+1)

R-FCN的多任务损失函数

2、YOLO v1：GoogLeNet前20层

YOLO将物体检测任务当作一个regression问题来处理，通过YOLO，每张图像只需要“看一眼”就能得出图像中都有哪些物体和这些物体的位置。

• 将图像resize到448x448作为神经网络的输入，
• 使用一个神经网络，直接从一整张图像来预测出bbox的坐标、box中包含物体的置信度和物体的可能性，
• 然后进行非极大值抑制，筛选Boxes。

•  首先利用ImageNet 1000-class的分类任务数据集Pretrain卷积层，使用GoogLeNet中的前20个卷积层，加上一个average-pooling layer，最后加一个全连接层，作为Pretrain的网络。
• 将Pretrain的结果的前20层卷积层应用到Detection中，并加入剩下的4个卷积层及2个全连接层。
• 同时为了获取更精细化的结果，将输入图像的分辨率由224x224提升到448x448。
• 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。
• 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。
• YOLO网络结构由24个卷积层与2个全连接层构成，网络入口为448x448，图片进入网络先经过resize，网络的输出结果为一个张量。
  • 输出维度：S*S*(B*5+C)
  • 在Pascal VOC上，预测的结果维度是7*7*（2*5+20）：其中S为划分网格数，B为每个网格负责目标个数，C为类别个数。

将一幅图像分成SxS个网格（grid cell），图中物体“狗”的中心点（红色原点）落入第5行、第2列的格子内，所以这个格子负责预测图像中的狗。

每一个栅格预测B（B=2）个bboxes，以及这些bboxes的confidence scores。

confidence scores反映了模型对于这个栅格的预测：该栅格是否含有物体，以及这个box的坐标预测的有多准。

如果这个栅格中不存在object，则confidence score应该为0；否则的话，confidence score则为predicted bound ing box与ground truth box之间的IoU(intersection over union)

 

• YOLO v1:每个栅格两个bbox：横向和纵向各有一个框，根据匹配情况选择合适的框；对每个bbox有5个预测值：x,y,w,h,confidence；作为预测的结果（生成的7*7*30的张量）每一行中前10个元素，后20个元素对应于20个类别的概率。
• 每一个栅格还要预测C条件类别概率（conditional class probability）：Pr(Classi|Object)。即在一个栅格包含一个Object的前提下，它属于某个类的概率。
  • 条件类别概率：是针对每个栅格的。
  • Confidence：是针对每个bbox的。
• 在测试阶段，将每个栅格的条件类别概率与你每个bbox的confidence相乘：

NMS（非极大值抑制）：

• 首先从所有的检测框中找到置信度最大的那个框；
• 然后挨个计算其余剩余框的IoU，如果其值大于一定阈值（重合度过高），那么就将该框剔除；
• 之后对剩余的检测框重复上述过程，直到处理完所有的检测框。

YOLO v1的优点：

• 检测物体的速度很快；
• 假阳性率低；
• 能够学到更加抽象的物体的特征

YOLO v1的不足：

• YOLO的物体检测精度低于其他state-of-the-art的物体检测系统；
• YOLO容易产生物体的定位错误；
• YOLO对小物体的检测效果不好（尤其是密集的小物体，因为一个栅格只能预测2个物体）。

 3、YOLO v2改进

•  Batch Normalization
  • Batch Normalization可以提高模型收敛速度，减少过拟合，在所有卷积层都应用了BN，是结果提升了2%。
• High Resolution Classifier
  • 基于ImageNet数据集预训练模型，大部分类器输入图像尺寸小于256x256；
  • 在YOLO v2中，首先采用448*448分辨率的ImageNet数据fine tune使网络适应高分辨率 输入；
  • 然后将该网络用于目标检测任务finetune。高分辨率输入使结果提升了4%mAP。
• Convolutional With Anchor Boxes
  • 借鉴了Faster R-CNN中的anchor思想，用anchor boxes来预测bounding boxes。准确率只有小幅度的下降，而召回率则提升了7%。
• Dimension Clusters
  • 使用了K-means聚类方法类训练bounding boxes，可以自动找到更好的boxes宽高维度。
• Multi-Scale Training
  • 模型只包含卷积层和pooling层，因此可以随时改变输入尺寸。每经过10次训练，就会随机选择新的图片尺寸进行训练。

 

YOLO v2的基础模型是Darknrt-19：

使用较多的3*3卷积核，在每一次池化操作后把通道数翻倍。

网络使用了全局平均池化，把1*1的卷积核置于3*3的卷积核之间，用来压缩特征。

使用了BN稳定模型训练。

4、YOLO v3

YOLO v3中使用了一个53层的卷积网络，这个网络由残差单元叠加而成。

YOLO v3使用逻辑回归预测每个边界框的分数。

为了实现多标签分类，模型不再使用softmax函数作为最终的分类器，而是使用binary cross-entropy作为损失函数。

多尺度预测：YOLO v3从三种不同尺度夫人特征图谱上进行预测任务。

• 在Darknet-53得到的特征图的基础上，经过7个卷积得到第一个特征图谱，在这个特征图谱上做第一次预测。
• 然后从后向前获得倒数第3个卷积层的输出，进行一次卷积一次x2上采样，将上采样特征与第43个卷积特征连接，经过7个卷积得到第二个特征t图谱，在这个特征图谱上做第二次预测。
• 然后从后向前获得倒数第3个卷积层的输出，进行一次卷积一次x2上采样，将上采样特征与第26个卷积特征连接，经过7个卷积得到第三个特征图谱，在这个特征图谱上做第三次预测。