yolov1网络理解

作者: miahuang | 来源:发表于2019-10-04 20:17 被阅读0次

yolo的全称是you only look once，意思是一次性把候选框和目标识别搞定，因此，与RCNN这类用Region Proposals方法提出候选框的算法相比，要快很多。我在看v1的文章的时候，我觉得最让我懵逼是v1的bbox是怎么计算的，loss怎么设计的.因此，本文章只对这两个点详细描述．

yolov1如何产生和确定bbox

与selective search的方法不同，yolov１的候选框选择要粗暴很多．为了更好的解释，我借用知乎文章上面的yolov1网络输入输出映射图．

输入－输出.png

在v1的版本中，图像输入分辨率固定成 $448*448$ ,并且被均匀分成 $7*7$ 个的格子，每个格子长的就是左边左上角的那个正方体了．每个正方体进过神经网络训练后，在最后一层输出一个30维的向量，候选框的信息就包含在30维的向量中．由于有49个格子，那么网络的输出就是 $7*7*30$ 的张量．

30维向量输出.png

再具体分析一下每个30维向量都包含什么信息，实际上包括2个bounding box的位置（一个bounding box用　center_x, center_y, w,h,4个数值表示，两个bounding box占了８个位置），２个bbox 置信度（稍后解释），预测20个类别的概率（V0C 20类数据）．８+2+20刚好就是30.

一开始神经网络训练的时候，没有预先设定bbox的大小和形状，神经网络的工作仅仅对每个格子预测出2个bbox（见上图右下角正方体的两个虚线框），也就是上面提到的30维向量里面的8个，然后选择预测得相对比较准（分别计算前向计算2个bbox 与boxground truth的 IOU，取IOU较大的那个ｂbox）的那个。
所以一开始，神经网络输出的bbox是乱七八糟，只是在训练的过程中，通过计算IOU，loss值，慢慢让这个杂乱的候选框慢慢变得靠谱起来，每个bbox逐渐擅长对某些情况的预测（可能是对象大小、宽高比、不同类型的对象等）．

yolov1 loss的设计

解释清楚了loss的计算过程，那么就已经了解v1的贡献了．v1的loss大体来说包括回归损失, 分类损失, 置信度损失三个部分．为了下面解释公式方便，以下公式中，同一个字母代表同个意思．

v1把输入图像切成7*7个cell，S= 7,v1使用voc数据集,预测20个类别,c表示类别,取值(0,20).

分类损失

如果检测到物体，那么每个cell 的分类损失是每个分类的条件概率平方误差和．
$Loss =\sum_{i=0}^{S^2}\sum_{j=0}^ BI_{ij}^{obj}\sum{c \in classes}(p_{i}(c)- \hat{p}(c))^2$

如果 $cell$ $i$ 检测到物体，那么 $I_{ij}^{obj}=1$ ,否则 $I_{ij}^{obj}=0$ , $\hat p_{i}(c)$ 是 $cell$ $i$ 分类为 $c$ 的条件概率．

每个grid cell为会所有的分类都有一个概率,此处20个分类，会有20个概率。这个值也就是上文提到30维向量中的20.虽然每个cell 都是预测两个bbox ,不过它们是共享20个类别概率．

回归损失

回归损失计算的是预测的bbox位置与实际尺寸的误差。

$\lambda_{coord} \sum_{i=0}^{S^2}\sum_{j=0}^ BI_{ij}^{obj}((x_i- \hat {x_i})^2+(y_i- \hat {y_i)}^2)+ \lambda_{coord}\sum_{i=0}^{S^2}\sum_{j=0}^ BI_{ij}^{obj}[(\sqrt w_i - \sqrt{ \hat {w_i}})^2+(\sqrt {h_i}- \sqrt {\hat h_i})^2])$
如果 $cell$ $i$ 包含预测对象，那么 $I_{ij} ^{obj}=1$ ,否则为0。注意，其中的 $\hat {x}$ , $\hat {y}$ 是相对于当前cell的偏移量。v1不是直接预测bbox的高宽，而是宽的二次方根和高的二次方根。这样做的目的是减少大的bbox和小的bbox带来的不公平。举个例子来说，对于一个 $100*100$ 和 $10*10$ 的目标都预测大了10个像素，如果不用根号，那么大的目标和小的目标的损失都为200.显然，我们能接受大的目标大于10个像素，不能接受小的目标预测大了一倍。加了根号之后，小的目标损失是 $(\sqrt 20 - \sqrt 10)^2=3.43$ ,大的目标损失为 $(\sqrt (110) -\sqrt(100))^2= 0.48$ .这个是我们期望的。

置信损失

$\sum_{i=0}^{S^2}\sum_{j=0}^BI_{ij}^{obj}(C_{i}- \hat{C_{i}})^2 + \lambda _{noobj} \sum_{i=0}^{S^2}\sum_{j=0}^BI_{ij}^{noobj}(C_{i}- \hat{C_{i}})^2$

公式中的C为confidence，是上文提到30维向量中的2维. 表示目标的中心是否出现在网格单元中，表示网格单元中的第i个边界框预测器“负责”该预测，第i个边框的confidence 计算公式 $P(obj)*IOU_{pred}^{truth}$ 。
如果某个物体在box中被检测到，其置信度损失（衡量的是box中的物体) $\sum_{i=0}^{S^2}\sum_{j=0}^BI_{ij}^{obj}(C_{i}- \hat{C_{i}})^2$ ， $\hat C_i$ 是预测与groundtruth 的IOU.
如果某个物体不在box中，其置信度损失为 $\lambda _{noobj} \sum_{i=0}^{S^2}\sum_{j=0}^BI_{ij}^{noobj}(C_{i}- \hat{C_{i}})^2$ , $\hat C_{i}=0$ .同样的， $I_{ij}^{noobj} 是对I_{ij}^{obj}$ 的一种补充。 $\lambda _{noobj}$ 降低背景检测损失的权重(noobj即背景) 。因为大部分cell不包含任何物体，这会导致分类(正负样本)的不均衡。（Retinanet网络提出解决正负样本不均衡问题）因此，我们降低了背景检测损失的权重，即 $\lambda _{noobj}$ 默认值为0.5。