关于YOLOv1目标检测算法的理解

算法介绍

我最近一直在看YOLOv1算法，通过论文博客，大概花了一周左右深入理解这个算法的思想。
YOLOv1是典型的One-stage算法，出现在faster-rcnn之后，为了解决目标检测算法实时性问题，以下是该算法与其他算法的性能对比：

虽然YOLOv1算法的mAP不如faster-rcnn，可是帧数比faster-rcnn高不少，而且快速版本的YOLOv1帧数更是高达155。
下面是yolov1误差分析：

faster-rcnn对于背景的误判比YOLOv1严重的多，而对于位置的误差刚好相反。

算法分析

1. 思想分析
   YOLOv1算法是优秀的目标检测算法，思路是通过end-to-end网络。
   输入图片的大小为448x448x3 ，经过滑动窗口后变成7x7的区域，每个区域有两个bounding boxes，如果目标的中心在7x7=49个子区域内中的一个，那么那个子区域就用来单独预测这个目标，这也造成了一个缺陷，因为每个子区域只有两个bounding boxes，所以最多预测两个目标，整张图片只能预测772=98个目标。

2. 结构分析
   YOLOv1算法采用了与VGG类似的结构，以下是结构信息：
   
   原作者是ImageNet分类任务中，用一半的分辨率进行预训练，所以输入图片为224x224x3的图片，先经过64个7x7的卷积层，然后经过2x2最大池化层（Max-pooling），输出结果为112x112x64的特征图片。解释一下为什么是112x112x64图片：
   输入时224x224x3，经过64个7x7的卷积层，特征图就会变成224x224x64，也就是224x224x192,经过2x2的池化层，则输出的结果为112x112x64。关于卷积操作我一开始不是很理解，后来明白了。卷积时，一个卷积核会对每一层都进行卷积操作，然后相加，最后取激活函数得到的，最后生成一张特征图。所以有多少个卷积核特征图就有多少层。

   详细情况请看张雨石大佬博客，发布于2014-11-29 16:20:41
   神经网络

   然后经过3x3x192卷积层，经过2x2的最大池化层后输出56x56x 192的特征图。然后就是一步步的卷积，在这就不复述了。
   在这里解释一下为什么要加入1x1的卷积层。论文中说交替的1x1卷积层是为了减少前一层的特征空间。还有一个作用是可以跨通道的交互和信息整合。

   详细情况如下
   1x1卷积核的作用

   经过一系列的卷积层处理得到7x7x1024的特征图。后面衔接了一个4096的全链接层后，最后输出的是一个7x7 x30个向量的网络。7x7代表的是7x7个滑动窗口，每个滑动窗口有30个参数，分别代表着
   参数1-4：中心点x1，y1 长宽w1，h1
   参数5 ：置信度1
   参数6-9：中心点x2，y2 长宽w2，h2
   参数10：置信度2
   参数11-30：20个种类
   也就是YOLOv1算法每个滑动窗口只能预测两个目标，一共预测7* 7 *2=98个目标。

算法思想

写到这里大家一定还是特别懵逼，为啥输入的图片经过这么一系列网络就输出7x7x30的输出，每个输出就可以预测目标了。
所以我来说一下这个算法的思想，我们做目标检测，无非就两步：
1.目标捕捉
2.目标特征提取及识别
前者目标捕捉有很多方法，YOLOv1算法使用的是滑动窗口策略，而rcnn是采用的ss算法。
后者目标特征提取及识别就是卷积层和全连接层来实现的。
先讲一下滑动窗口策略，首先对输入图像 进行不同窗口大小的滑窗由左到到右，由上到下的滑动。每次滑动的时候对当前滑窗执行分类器，进行判断。如果该窗口有比较大的分类概率，就认为检测得到了目标。对不同的滑动窗口进行检测后，我们会得到不同滑窗的物体标记，这些滑窗会出现很多重叠部分，最后采用非极值抑制（Non-Maximum Suppression,NMS）进行筛选，最终经过NMS后获得检测的物体。
滑动窗口策略理论上取足量的滑动窗口进行分类，就能够获得目标图片所有的目标物体，但是他存在致命的缺陷，就是运算速度太慢了，设想一下每个滑动窗口都要进行一次分类器，为了取得所有输入图像的目标，我们会进行大量的大小互异滑动窗口遍历，然后进行神经网络运算，所需要的时间会根据图像大小爆炸式增加。
YOLOv1算法并没有采取这样的滑动窗口的策略，而是采取了类似的滑动窗口策略。讲这个之前我先要说一下卷积神经网络的平移不变性，简单来说卷积加池化等于平移不变性。
举个小例子，输入图片左下角有一个人脸，经过卷积后，人脸的特征（眼睛，鼻子）也位于特征图的左下方。

然后我们说一下感受野，看下面这张图

由图可知，我们对输入图像进行3x3的卷积操作，在他的特征图（feacture map）上每个值对应的是下面9个值进行卷积操作的和，也就是经过3x3卷积操作后，这一层特征图所对应的感受野就是3x3，如果由两个卷积核堆叠起来的的话，由图可知感受野为5x5，也就是最上面那张1x1的特征图融合了5x5图像的特征。
下面是感受野在训练中的变化情况

感受在平面中并不是平均分布的，而是以中心点进行发散，对中间的特征提取强，而对边缘特征提取弱。

介绍完卷积神经网络不变性和感受野后，我们来正式了解一下作者的滑动窗口策略。
作者设计了一个24层卷积层和两个全连接层的网络，24层卷积网络用于特征提取，而两层全链接网络用于特征提取后分类。由卷积神经网络平移不变性可知，最后一层卷积输出的是7x7x1024的特征图与原图一一对应，相当于对原图进行7x7的切分，由于卷积操作感受野可知，提取的特征并不是单独的每个区域，而是以每个区域为中心发散提取特征，提取的区域比传统滑动窗口要大得多。

YOLOv1算法仅仅只需要进行一次运算就可以提取完特征，而传统的滑动窗口每滑动一次就需要经过一次分类器。
ss算法我就不说了
然后将3x3x1024分别连接全链接层，进行分类训练，最后生成7x7x30的结构，每个参数代表的意思我在上文已经说了。

重要补充

我已经大概说了一下整个算法的结构和思想，在这里补充一下其他的小细节。
激活函数：

没啥好说的。

我们着重看一下损失函数

作者对于损失函数进行了改进，一共分为三个部分
第一部分：

这是位置的损失函数，使用了sum-squared 损失函数

这是目标长宽的损失函数，为什么不也选择sum-squared损失函数呢？
而在损失函数内加根号，这是因为sum-squared损失函数在大的boxes
和小的boxes的作用是一样的，但是大的boxes的小误差可能比小的boxes大误差更大，这会导致对于小的boxes预测偏差很大。为了解决这个问题引入平方根。如下图

由上图可知，对于该损失函数对于大的boxes位置信息的抑制力比小的boxes的抑制能力更强，从而加强对于小boxes的预测精度。

由于很多cell里面并没有目标，所以confidence会置零，这会导致压倒含有目标的cell的梯度。这会导致模型不稳定，从而导致训练前期发散。为了处理这样的状况，我们增加目标框的预测的损失函数，减少不包含物体的boxes的置信度预测的损失函数

所以我们取coord为5，而noobj为0.5

代表的是有object的boxes的confidence的损失函数

代表着不含有object的boxes的confidence

代表着种类预测的损失函数

一个网格预测多个box，希望的是每个box predictor专门负责预测某个object。具体做法就是看当前预测的box与ground truth box中哪个IoU大，就负责哪个。这种做法称作box predictor的specialization。

下面这句话来自于原论文。

如果是的话值就为1，不是的话那么值为0。

大概就怎么回事，我也是第一次学，可能依然有些地方理解的不够透彻，或者理解有错误。希望能指正！
博客里面有部分引用图解YOLOv1
如果还是不解可以看这个大佬的论文！