单阶段目标检测：SSD与Yolo

SSD与Yolo结构对比图

yolo单阶段目标检测网络

设计理念

yolo直接采用regression（回归）的方法进行坐标框的检测以及分类，使用一个end-to-end的简单网络，直接实现坐标回归与分类。Yolo的CNN网络将输入的图片分割成 网格，然后每个单元格负责去检测那些中心点落在该格子内的目标，如图下图所示，可以看到狗这个目标的中心落在左下角一个单元格内，那么该单元格负责预测这个狗。**每个单元格会预测 个边界框（bounding box）以及边界框的置信度（confidence score）**。

yolo网络详细设计

Yolo采用卷积网络来提取特征，然后使用全连接层来得到预测值，检测网络由24个convolutional layers和之后的两个connected layers组成。于convolutional layers，主要使用1x1卷积来做channle reduction，然后紧跟3x3卷积。对于卷积层和全连接层，采用Leaky ReLU激活函数： 。但是最后一层却采用线性激活函数。

输出tensors为7*7*(2*5+20)解释

这里注意yolo论文中，输入为448448大小，输出tensors为7*7(25+20)，骨干网络为GoogLeNet。输出维度：`7*7(2*5+20)`:

1. 如果一个object的中心落在某个单元格上，那么这个单元格负责预测这个物体。
2. 每个单元格需要预测B个bbox值(bbox值包括坐标xy和宽高wh，原文中B=2)，同时为每个bbox值预测一个置信度(confidence scores)。也就是每个单元格需要预测B×(4+1)个值。
3. 每个单元格需要预测C(物体种类个数，原文C=20，这个与使用的数据库有关)个条件概率值. 所以，最后网络的输出维度为S×S×(B×5+C)

详细解释如下图：

将图片分为S×S个单元格(原文中S=7)，之后的输出是以单元格为单位进行的：对于每一个单元格，前20个元素是类别概率值，然后2个元素是边界框置信度，两者相乘可以得到类别置信度，最后8个元素是边界框的 (x, y, w, h) 。这里。对于边界框为什么把置信度 c 和 (x, y, w, h) 都分开排列，而不是按照 (x, y, w, h, c) 这样排列，其实纯粹是为了计算方便，因为实际上这30个元素都是对应一个单元格，其排列是可以任意的。但是分离排布，程序上可以方便地提取每一个部分。这里来解释一下，首先网络的预测值是一个二维张量 P ，其shape为 [batch,7*7*30] 。采用切片，那么 就是类别概率部分，而 是置信度部分，最后剩余部分 是边界框的预测结果。这样，提取每个部分是非常方便的，这会方面后面的训练及预测时的计算。

输出维度各个参数计算方式

知道了输出维度的解释，我们还需要知道每个单元格预测的B个(x,y,w,h,confidence)的向量和C个条件概率中，每个参数的含义和计算方式（假设图片宽和高为，将图片分为S*S网格）：

1. (x, y)：中心坐标的预测值 是相对于每个单元格左上角坐标点的偏移值，并且单位是相对于单元格大小的。对于下图中蓝色框的那个单元格(坐标为(xcol=1,yrow=4))，假设它预测的输出是红色框的bbox, 设bbox的中心坐标为(), 那么最终预测出来的(x,y)是经过归一化处理的，表示的是中心相对于单元格的offset，计算公式如下：$$
2. (w, h)：边界框的 和 预测值是相对于整个图片的宽与高的比例，理论上(x,y,w,h)4个元素的大小应该在 范围。
3. confidence：置信度是由两部分组成，一是格子内是否有目标，二是bbox的准确度。定义置信度为Pr(Object)∗IOUtruthpred，如果格子内有物体，则Pr(Object)=1，此时置信度等于IoU。如果格子内没有物体，则Pr(Object)=0，此时置信度等于0。
4. C类条件概率：条件概率定义为Pr(Classi|Object)，表示该单元格存在物体且属于第i类的概率。在测试的时候每个单元格预测最终输出的概率定义为，Pr(Classi|Object)∗Pr(Object)∗IOUtruthpred=Pr(Classi)∗IOUtruthpred

详细解释参考下图（来源于网络）：

损失函数理解

loss计算公式如下图（来源于网络）：

损失函数分析：

• Yolo算法将目标检测看成回归问题，所以公式中采用的是均方差损失函数。包含三类损失：bbox损失、confidence损失和categories损失，但是对不同的损失部分采用了不同的权重值。首先区分定位误差和分类误差。
• 对于定位误差，即边界框坐标预测误差，采用较大的权重 。然后其区分不包含目标的边界框与含有目标的边界框的置信度，对于前者，采用较小的权重值 ，其它权重值均设为1，然后采用均方误差。
• 为了平衡短边和长边对损失函数的影响，YOLO使用了边长的平方根来减小长边的影响。即预测值变为 。
  ##参考资料
  目标检测|YOLO原理与实现
  yolo详解