YOLO Objection Detection

简介

这是一种把目标定位和检测合起来做的算法，据作者测试可以达到45fps（复杂模型）和155fps（精简模型）。

算法简介

Paste_Image.png

（1）把缩放成统一大小的图片分割成S×S的单元格
（2）每一个单元格负责输出B个矩形框，每一个框带四个位置信息(x, y, w, h)，与一个该框是物体的概率，用Pr(Object)表示
（3）每一个单元格再负责输出C个类别的概率，用Pr(Class∣Object)表示
所以最终输出层应有S×S×(B∗5+C)个单元。最终输出时，是物体的概率乘以类别概率，才是整体识别到是一个物体的概率:
![][1]
[1]: http://latex.codecogs.com/gif.latex?\Pr(class)=Pr(Class|Object){\cdot}Pr(Object)

在论文You Only Look Once: Unified, Real-Time Object Detection中，S = 7，B = 2，C = 20。 所以输出的单元数为7×7×30。

所用到的神经网络结构:

从上图的结构可以看到，倒数第二层是一个全连接层，所以最终的单元输出整合了全局信息，更好地预测图像区域。
神经网络空间分析原理

p.png

![][2]
[2]: http://latex.codecogs.com/gif.latex?OutputSize=\frac{N+2P-F}{stride}+1
此时所用参数：
![][3]
[3]: http://latex.codecogs.com/gif.latex?Parameters=F{\cdot}F+1
Generally,
如果输入是一个![][4]
[4]: http://latex.codecogs.com/gif.latex?W_1{\times}H_1{\times}D_1
卷积需要4个参数：
（1）滤波器数量K
（2）滤波器大小F
（3）滤波器滑动步长S
（4）补零大小P
则产生的下一层“图像”大小：
![][5]
[5]: http://latex.codecogs.com/gif.latex?W_2{\times}H_2{\times}D_2
其中
![][6]
[6]: http://latex.codecogs.com/gif.latex?W_2=\frac{W_1+2P-F}{S}+1
![][7]
[7]: http://latex.codecogs.com/gif.latex?H_2=\frac{H_1+2P-F}{S}+1
![][8]
[8]: http://latex.codecogs.com/gif.latex?D_2{=}K
这一共需要的参数数量为：
![][9]
[9]: http://latex.codecogs.com/gif.latex?Parameters=F^2{\times}D_1{\times}K+K
对于Pooling
如果输入是一个![][4]
池化需要2个参数：
（1）池化大小F
（2）滑动步长S
则产生的下一层“图像”大小：
![][5]
其中
![][10]
[10]: http://latex.codecogs.com/gif.latex?W_2=\frac{W_1-F}{S}+1
![][11]
[11]: http://latex.codecogs.com/gif.latex?H_2=\frac{H_1-F}{S}+1
![][12]
[12]: http://latex.codecogs.com/gif.latex?D_2{=}D_1

Darknet空间分析
http://www.jianshu.com/writer#/notebooks/6424478/notes/5940397/preview

训练

整个网络最后一层为线性激活，其它层都为Leaky Rectified Linear激活方式

123.png

第一项确定（x，y）
第二项确定（w，h），之所以用平方根，是因为这样可以减小Object大小不同造成的影响
第三四五项确定评分，这样的形式适用于稀疏矩阵。

Disadvantage

（1）异常缩放比会检测不出来
（2）物体很小时很难检测（一个方块只检测一个物体）
（3）定位相对不准确