YOLOv1-darknet 内容解析
1. 核心思想
目标检测分为二阶段和一阶段的方法，二阶段方法主要有Fast R-CNN系列，Mask R-CNN等，主要方法是用算法生成一些列作为样本的候选框，然后再使用卷积神经网络进行样本的分类；
一阶段方法（End to End方法）主要有SSD系列，YOLO系列，这种方法是将目标边框的定位问题转化为回归问题处理。
由于思想的不同，二阶段检测方法在检测准确率和定位精度有优势，一阶段检测方法在速度上占有优势。
所以YOLO的核心思想是,直接在输出层回归bounding box的位置和bounding box所属的类别(整张图作为网络的输入，把 Object Detection 的问题转化成一个 Regression 问题)。
2. 特点
- 速度快，因为没有复杂的检测流程，只需要将图像输入到神经网络就可以得到检测结果，YOLO可以非常快的完成物体检测任务。
- YOLO在训练和测试时都能够看到一整张图像的信息，因此YOLO在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。
- YOLO可以学到物体的泛化特征：当YOLO在自然图像上做训练，在艺术作品上做测试时，YOLO表现的性能比DPM、R-CNN等之前的物体检测系统要好很多。因为YOLO可以学习到高度泛化的特征，从而迁移到其他领域。
3. 缺点
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）。
4. 算法流程
Resize成448 \(\times\) 448，图片分割得到7 \(\times\) 7 网格(cell)
- CNN提取特征和预测：卷积部分负责提特征。全链接部分负责预测：
- 7 \(\times\) 7 \(\times\) 2 = 98个bounding box的坐标（x,y,w,h,confidence）
- 7 \(\times\) 7 = 49个cell所属20个物体的概率
过滤得到的bbox, 使用nms算法
5. 详细内容
网络示意图：
最后reshape层的计算：（5 = x,y,w,h,confidence）
\[
filter = （BboxNum\times5+Class）
\]
这里BboxNum = 2, Class = 20,所以filter是30。
网络结构借鉴了 GoogLeNet 。24个卷积层，2个全链接层。（用1×1 reduction layers 紧跟 3×3 convolutional layers 取代Goolenet的 inception modules ）
每个1 \(\times\) 1 \(\times\) 30 对应其中一个cell, 每个cell需要预测两个bounding box的中心坐标（\(x_c\),\(y_c\),\(w\),\(h\)）,其中\(x_c,y_c\)被归一化到0~1之间，w,h通过图像的width和height归一化到0~1之间。 每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。 这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息：
\[
confidence=Pr(Object)\times IOU^{truth}_{pred}
\]
第一项：\[Pr(Object)\]: 代表的是如果人工标注的框(ground truth box)落在一个gird cell中，则取1，否则取0。
第二项: \[IOU^{truth}_{pred}\]: 预测的bounding box和实际的ground truth box之间的IOU值。
这样前10个框来源就清楚了，即：\(BboxNum \times 5\).
剩余的20维度是用来对20个类进行预测，所以总共需要输出是 \[7 \times 7 \times (5 \times 2 + 20)\]。
关键内容：损失函数的设计
说明：每行是一个cell对应的两个bounding Box的相关信息，一共有\(7\times7\)这么多的行
对应类别计算方法，需要与confidence相乘，得到以下矩阵：
按照下图所示步骤进行操作，这只是示意其中一个类，每一行都要进行如下操作：
在所有做完nms之后选择对应的框画出来
得到以下效果：
总图：
损失函数由三个方面组成，一个是定位损失（localization error），一个是置信度损失，一个是分类损失（classification error）。简单的全部采用了sum-squared error loss来做这件事会有以下不足：
- 8维的localization error和20维的classification error同等重要是不合理的；(真实框的中心x坐标减去yolo实际预测框的中心x尖 )
- 如果一个网格中没有object（一幅图中这种网格很多），那么就会将这些网格中的box的confidence逼近到0，相比于较少的有object的网格，这种做法是overpowering的，这会导致网络不稳定甚至发散。
如何解决，重新设计新的loss计算方案：
- 更重视8维的坐标预测，给这些损失前面赋予更大的loss weight, 记为\(\lambda_{coord}\),即坐标预测部分内容。（上图蓝色框）
- 对没有object的bbox的confidence loss，赋予小的loss weight，记为 \(\lambda_{coord}\)，在pascal VOC训练中取0.5。（上图橙色框）
- 有object的bbox的confidence loss (上图红色框) 和类别的loss （上图紫色框）的loss weight正常取1。
- 对不同大小的bbox预测中，相比于大bbox预测偏一点，小box预测偏一点更不能忍受。而sum-square error loss中对同样的偏移loss是一样。 为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。 如下图：small bbox的横轴值较小，发生偏移时，反应到y轴上的loss（下图绿色）比big box(下图红色)要大。
一个网格预测多个bounding box，在训练时我们希望每个object（ground true box）只有一个bounding box专门负责（一个object 一个bbox）。具体做法是与ground true box（object）的IOU最大的bounding box 负责该ground true box(object)的预测。这种做法称作bounding box predictor的specialization(专职化)。每个预测器会对特定（sizes,aspect ratio or classed of object）的ground true box预测的越来越好。（个人理解：IOU最大者偏移会更少一些，可以更快速的学习到正确位置）
测试阶段，使用nms的时候，按照以下方式进行衡量是否保留改框：
\[
Pr(Class_i|Object)\times Pr(Object)\times IOU^{truth}_{pred}=Pr(Class_i)\times IOU^{truth}_{pred}
\]