首页 » 技术分享 » YOLO v1论文理解

YOLO v1论文理解

　
评论关闭　1,512次浏览
文章目录

Abstract

  • YOLO：You Only Look Once
  • YOLO通过回归的方式来解决目标检测问题，可以在简单neural network上直接从图像预测bounding box coordinate和class probability；
  • base model性能在Titan X 上45 frames/s,fast model 155 frames/s,和其他检测系统相比有更多的localization错误，但是在背景上的false positive更少；
  • 各框架模块对比：

Introduction

 

  • YOLO使用简单的网络结构同时预测bounding box和class probability，通过直接处理整张图像优化检测性能，由于不需要复杂的pipeline整个检测流程速度很快，MAP也比其他检测系统高两倍；
  • YOLO和sliding windows和region proposal-based方法区别在于训练和测试阶段始终能看到整张图像，能更好地理解上下文信息，background error比Fast R-CNN少一半；
  • YOLO在accuracy上相比于最先进的方法有所落后，虽然可以快速识别图像中的物体，但是很难精确定位一些目标尤其是小目标；

Unified Detection

  

  • 将输入图像分为S × S 个grid，每个grid cell预测B个bounding box坐标和confidence score，每个bounding box由5个prediction组成：x,y,w,h,confidence score，每一个grid同时预测C个class probability（是针对grid预测不是针对每一个bounding box）；
  • confidence score是针对每一个bounding box计算的：，如果不存在object写score为0；
  • test阶段计算每一个box的class-specific confidence score：
  • 坐标信息参数化：x,y根据grid offset到0-1，w,h根据image w和h归一化到0-1

  • network包含24个conv和两个fc使用1×1卷积降低特征维度，输入为448×448×3的图像，输出为7×7×30的tensor（7对应的是grid维度，30由两个bounding box的x,y,w,h,confidence的prediction以及20 class probability组成）；
  • Training之前用前20个conv接上average pooling和fc在ImageNet数据集上达到88%top-5的accuracy，为了满足更加细粒的视觉信息，提高input的分辨率448×448

Loss Funtion

 

  • 为了让损失函数各方面平衡，更加重视坐标预测赋予更大的loss weight 5，没有object的box的confidence loss weight 0.5；
  • 为了解决不同大小box对应的预测偏移loss相同所带来的问题，将平方差的元素求平方根；
  • 设定当前预测box和ground truth box中IOU最大的为box predictor；

grid cell中object的界定

  • 将图像448×448不断downsample，将输入图像划分成7×7个grid cell相当于一个grid cell对应64×64个像素点；
  • 有每个object的标注信息，也就知道每个object的中心点坐标在输入图像的哪个位置，那么不就相当于知道了每个object的中心点坐标属于哪个grid cell了吗，而只要object的中心点坐标落在哪个grid cell中，这个object就由哪个grid cell负责预测，也就是该grid cell包含这个object。另外由于一个grid cell会预测两个bounding box，实际上只有一个bounding box是用来预测属于该grid cell的object的，因为这两个bounding box到底哪个来预测呢？答案是：和该object的ground truth的IOU值最大的bounding box；

 Related Source

转载自原文链接, 如需删除请联系管理员。

原文链接：YOLO v1论文理解，转载请注明来源！

赞 0