计算机视觉：YOLO V1目标检测

1 目标检测概述

1.1目标检测

        目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置

计算机视觉中关于图像识别的四类任务

        分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。

        定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。

        检测-Detection：解决“在哪里？是什么？”的问题，即定位出这个目标的位置并且知道目标物是什么。

        分割-Segmentation：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”的

基于深度学习的两类目标检测算法分类

        （1）One Stage

        （经过1个CNN模型即可直接得到最终的检测结果（创新点）包含物体的类别概率和位置坐标值）

        “一步法”核心理念：在原图上进行密集抽样，产生大量的Bouding box，然后进行分类和回归。

        不用RP，直接在网络中提取特征来预测物体分类和位置。

        任务流程：特征提取–> 分类/定位回归。

        常见的one stage目标检测算法有：OverFeat、YOLOv1、YOLOv2、YOLOv3、SSD和RetinaNet等。

        

        （2）Tow Stage

        先进行区域生成，该区域称之为region proposal（简称RP，一个有可能包含待检物体的预选框），再通过卷积神经网络进行样本分类。

        任务流程：特征提取 –> 生成RP –> 分类/定位回归。

        常见tow stage目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等。

1.2目标检测发展历程

2 YOLO V1 概述

2.1 基本结构

        YOLOv1采用一个卷积神经网络，借鉴于GoogleNet，主要包含卷积层和最后的两层全连接层。YOLOv1的网络结构较为简单，且是大部分YOLO优化中最关键的部分。

模块一

        核心思想

       1:卷积神经网络最后一层卷积输出的特征图S×S，将其位置映射至原始图像，图像被分成S×S个网格(grid cell)， 

        2:如果物体的Ground Truth（样本的标签）中心落在某个网格中，则这个网格就负责预测这个物体

                (网格预测B个大小Bounding box，最终使用与Ground truth的IOU相对较大的Bounding box检测物体)

        3:网格输出维度

                (每个网格使用B（B=2)个Bbox进行回归预测，共产生5个值 置信度confidence，包含物体的可能性大小 回归坐标(x, y, w, h) 2）每个网格还要预测C个类别概率，以判断当前cell属于哪个类别C 因此，1个网格的输出维度是(5×B+C) S×S个网格，输出就是S × S×(5×B+C))

模块2

2.2 回归坐标

        1:理解YOLO输出的Bbox框中的坐标xpre,  ypre,  wpre, hpre

                Bbox框坐标(xpre,  ypre,  wpre, hpre)

                        xpre是模型预测框的中心点横坐标（原始图像坐标空间）

                        ypre是模型预测框的中心点纵坐标（原始图像坐标空间）

                        wpre是预测框宽度（原始图像坐标空间）

                        hpre是预测框高度（原始图像坐标空间）

        *注意 xpre,  ypre,  wpre, hpre需要“规范化”至[0，1]

        2:计算 x,  y,  w, h

        

3 YOLO V1 训练过程

3.1 训练过程

        根据图片的标注GroundTruth边界框，与模型输出的7×7×30的预测结果与进行比较，计算loss和梯度，反向调整参数

3.2 训练样本

·

        1：样本标签

                图中蓝色、黄色、红色的框就是标注的GT框，类别是狗，自行车，汽车

                中心点分别落在蓝色、黄色、红色阴影网格

                如对于黄色网格来说，其中自行车的分类概率1，其余19个分类概率是0

                在上图中，只有3个网格的分类概率得到确定【正例】；其余（49-3）个网格的分类概率是0【负例】

        2：置信度Confidence

        

                1个网格会使用2个Bbox回归预测，最终使用IOU较大的检测物体

3.3 损失函数（网络实际输出值与样本标签值之间的偏差）？？？？？

        YOLOv1使用一个联合的目标函数，包括定位误差、类别误差和置信度误差。这在YOLOv3将被更换。

4 YOLO V1总结

        每个网格只预测2个Bbox，当物体的长宽比不常见，效果较差

        小物体检测问题

               原始图片只划分为7x7的网格，当两个物体靠的很近时，只能检测到一个物体 

问题

        (1)目标检测是什么样的任务？

        (2)基于深度学习的目标检测算法主要分为哪两类？

        (3)这两类算法分别有哪些代表性的算法？

        (4)YOLO V1利用什么类型的网络提取原始图片的特征和进行目标检测？

        (5)YOLO V1 最后一层输出的数据维度怎么计算。

        (6)谈一谈你对YOLO V1 中采用的NMS（非极大值抑制）的理解？

        (7)用自己的话说一说：YOLO V1中如何进行样本训练的？

        (8)谈一谈你对YOLO V1 中采用的损失函数的理解？