YOLO V1

1. idea

將object detection的各個部分整合到一個單獨的網絡
將整張圖片劃分爲 $S \times S$ 個網格grid，每個網格預測出B個bounding box，每個box各預測出一個置信度confidence（用於描述這個box包含object的概率），confidence的定義爲
$Pr(object)*IOU_{pred}^{truth}$
假如沒有object落在box中，則confidence爲0
每個box要預測五個值，其中一個便是confidence，另外四個是 $(x,y,w,h)$ ， $(x,y)$ 表示box的中心。 $(x,y)$ 是box相對於grid的的相對位置，歸一化到 $[0,1]$ ，而 $(w,h)$ 是相對於input（整張圖）的比例，一樣 $[0,1]$
每個grid還需要預測出C（C爲類別的總數）個概率值 $Pr(Class_i|Object)$
在測試階段，可以根據以下公式得到類別指定的置信度class-specific confidence
$Pr(Class_i|Object)*Pr(Object)*IOU_{pred}^{truth}=Pr(Class_i)*IOU_{pred}^{truth}$
因此，整個網絡的輸出是一個 $S \times S \times (B * 5 + C)$ 的tensor

CNN採用類似GoogleNet的結構

沒有采用inception模塊，採用 $1 \times 1$ 的卷積層降維加上一個 $3\times 3$ 的卷積層代替
網絡一共24層，fast yolo採用9層
數據集採用Pascal VOC，S=7，B=2，C=20，因此輸出爲 $7 \times 7 \times \ 30$ 的向量。
在ImageNet上進行預訓練卷積層（預訓練時長1周），在預訓練的卷積層（20層）後加入4層卷積層和2層全連接層。因爲目標識別需要更多的信息，將輸入大小從224224增大到448448。
loss採用sum-squared error。因爲大部分的box都不包含object，不加權的情況下會使網絡傾向於預測出confidence全0。同時，位置信息與分類錯誤權重一致的情況下實驗不太理想。因此，增大位置信息（coordinate）的權重並增大那些包含object的box的權重，論文中加入兩個參數 $\lambda_{coord}=5, \lambda_{noobj}=0.5$ 。最終的loss function爲
其中

C爲box的confidence，
$p_i(c)$ 爲第i個grid屬於第c類的概率；
$\mathbb I_i^{obj}$ 代表object是否出現在第i個grid上（構建ground truth的時候每個object只在一個grid上有置信度，即object中心所在的grid才具有置信度）
$\mathbb I_{ij}^{obj}$ 代表第i個grid中的第j個box是否responsible即與ground truth具有最高的IOU，即該grid中具有最大iou的box纔會responsible。
$\mathbb I_{ij}^{noobj}=1$ 是指4.中提到的box以外的box
值得注意的是，對於分類error的懲罰只作用於出現object的grid上
對於寬和高h w的開根，是因爲對於不同的大小box迴歸，預測偏差相等時對於小box的懲罰更大。如偏差同樣爲10，對於長爲100的box的懲罰顯然應該小於長爲20的box

發表評論

所有評論

還沒有人評論，想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.