最近看了基于CNN的目标检测另外两篇文章，YOLO v1 和 YOLO v2，与之前的 R-CNN, Fast R-CNN 和 Faster R-CNN 不同，YOLO 将目标检测这个问题重新回到了基于回归的模型。YOLO v1 是一个很简单的 CNN 网络，YOLO v2 是在第一版的基础上，借鉴了其他几种检测网络的一些技巧，让检测性能得到大幅提升。下面分别介绍一下这两个网络：
YOLO v1
YOLO v1 的结构看起来很简单，如下图所示：
从示意图上看，似乎就是输入一张图片，经过一个CNN 网络，最后就能给出目标的检测框以及分类的概率，很高效的样子。
输入一张 448×448 的图片，将图片分成 S×S 个方块，每个 grid 会预测 B 个 bounding boxes, 以及与 bounding box 对应的置信度。每个 bounding box 的置信度是由两部分组成的，一部分是 Pr(Object) , 表示这个 bounding box 含有物体的 confidence，另外一个是 IOUtruthpred, 衡量这个 bounding box 检测的 accuracy。最后整体的置信度定义为两者的乘积：Pr(Object)×IOUtruthpred.
每个 bounding box 有5个参数，(x,y,w,h,p), p 就是 confidence。(x,y) 表示 bounding box 的中心与 grid cell 的边界的比率，(w,h) 表示 bounding box 的宽高与全图宽高的比率。所以每个 grid cell 有 B 个 bounding box，而每个 bounding box 会有 5 个预测值。除此之外，每个 grid cell 还会预测一个条件概率，即这个 grid cell 如果含有待检测的目标，需要知道这个目标是属于哪一类物体 Pr(Classi|Obj)，这个是基于 bounding box 含有待检测目标的，所以是一个条件概率，论文里规定，每一个 grid cell 只预测一类物体，不管这个 grid cell 含有多少个 bounding box。测试的时候，将所有的概率相乘，可以得到：
最后个值反应了，bounding box 中出现某一类物体的概率，以及这个 bounding box 检测的准确度。如下图所示：
YOLO-v1 的网络结构是基于 GoogleNet 的有一个深层的，一个浅层的，深层的含有 24 个卷积层，浅层的含有 9 个卷积层，网络结构如下所示：
基本上就是 3×3 和 1×1 的 filter。
网络的训练，先是用这个网络再 ImageNet 上训练一遍，大概 20 层的卷积层，这个时候训练的输入尺寸是 224×224，然后将训练好的网络用目标检测的数据库再做一次训练，这次会多加几层卷积层，同时将输入尺寸从 224×224 变成 448×448, 为了让预测值都在 [0, 1] 之间，参数 (x,y,w,h) 都做了归一化处理，训练的激励函数在 RELU 的基础上做了一些改动，负数不再是 0，而是有一个 0.1 的斜率。最后的loss 函数如下所示：
这个函数基本将分类的准确率以及检测的精度都考虑了。不过这个网络的性能还是有局限，正如论文中所说：
因为采用固定的 grid cell， 并且每个 grid cell 只识别一个类，所以如果这个 grid cell 如果有多个物体，这是识别不了的，也就是说对小物体，这个网络的识别性能较差。
因为检测是用 bound box 做的，bounding box 是固定的形状，所以这个网络对形变或者不同的尺寸比适应性较差。
最后，loss function 对 bounding box 的 error 是一视同仁的，不同大小的bounding box 的 error 应该要区别对待。同样的error，对小的bounding box 的影响会比大的bounding box的影响要大很多。
具体的细节讨论，实验结果可以看论文。后面我们再介绍 YOLO-v2
Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi, “You Only Look Once: Unified, Real-Time Object Detection”