前言：学习自霹雳吧啦Wz

YOLOV1

论文思想

1、将一幅图像分成SxS个网格(grid cell),如果某个object的中心落在这个网格中，则这个网格就负责预测这个object。

2、每个网格要预测B个bounding box，每个bounding box除了要预测位置（x，y，w，h）之外，还要附带预测一个confidence值。每个网格还要预测C个类别的分数。因此对于PASCAL VOC（20个类别），使用S = 7，B = 2，每个网格有5（x，y，w，h，confidence）x 2（两个网格）+20（类别）= 30个预测结果，因此一张图像有7 x 7 x 30个tensor。

4、预测位置x，y，w，h。x，y的位置是相对于网格而言的。w，h是相对于整张图像而言的。

5、置信度confidence。定义为，式中的第一项为bounding box内存在物体的概率，第二项为预测框和真实框的IOU。在测试时，每个物体的概率就为C个类别分数 x confidence，如下。

 网络结构

损失函数 

 存在的问题

1、当小目标聚集在一起的时候，检测效果很差，例如一群鸟。原因是，每个网格只预测一个类别。

2、当目标出现新的尺寸的时候，检测效果很差。

3、定位不准确，原因是，yolov1是直接预测目标的位置，而不是基于anchor预测目标的回归参数，因此yolov2中采用了基于anchor预测目标的回归参数的方法。（题外话，Faster-RCNN和SSD也是采用基于anchor预测目标的回归参数的方法）。

YOLOV2

对yolov1的改进之处

Batch Normalization

1、加速网络收敛，避免梯度消失爆炸。

2、有利于模型的正则化，可以移除dropout的使用。

3、提高模型的泛化能力， BN通过使每个层输入的分布标准化，有助于提高模型的泛化能力。

High Resolution Classifier

采用更高分辨率的分类器（448 x 448）。

Convolutional With Anchor Boxes

采用基于anchor偏移的预测方式，简化目标边界框预测的问题，使用网络更容易收敛。使用这种方式使预测的召回率更高。

Dimension Clusters

根据k-means聚类的方法去计算anchors的尺寸。

Direct location prediction

使用sigmoid函数对预测值tx，ty进行限制，使其不会飘出中心网格之外。公式如下。

 

Fine-Grained Features

底层特征下采样与高层特征相融合，如图。

 

下采样方式，如图。

 

Multi-Scale Training

我们每隔几次迭代就改变输入图像的大小。每10个epoch我们的网络随机选择一个新的图像尺寸大小。由于我们的模型将样本降为32的倍数，我们从32的倍数中提取:{320,352，…, 608}，因此，最小的选项是320 x 320，最大的是608 x 608，我们将网络调整到该维度并继续训练

主干网络Darknet19（19个卷积层）

网络结构如下。

 YOLOV3

主干网络Darknet-53

1、网络结构如下。

 

2、Darknet-53与Resnet网络的对比如下。

 可以看到，虽然Darknet-53的网络深度比ResNet-152更深，但Darknet-53的检测速度是ResNet-152的两倍，并且检测精度相差无几。

优势原因：

第一，Darknet53使用池化层替代了卷积层，减少了信息的损失，因此检测精度较好。

第二，相对于Resnet152，Darknet53的卷积核个数更少，参数更少，因此计算量更少，检测速度更快。

yolov3的网络结构

目标边界框的预测

和yolov2是一样的。

 

正负样本的匹配

和SSD的匹配方式相同。

损失的计算

1、置信度损失

2、类别损失​​​​​​​

3、定位损失

YOLOV3SPP 

 Mosaic图像增强

优点：增加数据的多样性，增加目标个数，BN能一次性统计多张图片的参数。

SPP模块

结构如下。

SSP模块在yolov3网络中的位置如下。 

IOU DIOU CIOU 

IOU LOSS

优点：1.能够更好的反应重合程度  2.具有尺度不变性。
缺点：1.当不相交时loss为0。

DIOU LOSS

 

 

GIOU LOSS

 

Focal loss 

交叉熵损失

交叉熵损失：

令 

则有 

 

Focal loss

1、主要思想

减小对于大多数容易分类的样本的loss，增大对于难以分类的样本的loss。

较难区分的样本是指：当检测目标为正样本时，目标概率却较小。或者，当检测目标为负样本时，目标概率却较大。

2、公式推理

• 对于表达式可知，当样本较难区分时，Pt 较小。当样本较容易区分时，Pt 较大。
• 因此我们要使Pt 较小时，loss较大，Pt 较大时，loss较小。    于是可以得到损失公式：
• 加上平衡因子，得到最终的Focal loss公式： 

 

 3、注意的点

Focal loss容易受到噪声的干扰。