深度网络中的目标检测算法YOLO系列-YOLOv1论文理解

一、概述

对于之前的目标检测方法，通常都是转换为一个分类问题。YOLO将检测看作一个回归问题（regression problem）。
输入图像，仅仅经过一个深度网络，直接预测bounding boxes，以及所属类别的概率。其特点：快。

二、网络结构

利用整张图像作为网络的输入，直接在输出层回归bounding box的位置和bounding box所属的类别。

1. 将一幅图像分成S*S个网格（gird cell）。如果某个目标的中心落在这个网格中，则这个网格就负责预测这个object。

2. 每个网格预测B个bounding box，每个bbox除了要回归自身的位置之外，还要附带预测一个confidence值（置信度）。

3. confidence 代表了所预测的box中含有object的置信度（概率）和这个box预测的有多准两重信息，
   计算公式：confidence = Pr（object）* IOU(torch / pred)
   所以，在gird cell中没有对象，那么confidence为0；如果有对象，就是gt的IOU值。

4. 每个bounding box要预测（x，y，w，h）和confidence 共五个值。

5. 每个网格还有预测一个class类别信息。这是一个条件概率，在含有对象情况下，所属某类对象的概率。

   class信息是针对每个网格的，confidence信息是针对每个bbox的。
   

三、输出

对于SS个网格，每个网格要预测B个bounding boxes，还要预测C个categories（类别）。输出就是SS*(5*B+C)的一个tensor。

四、YOLO的缺点

1. 因为每个gird cell 中只能预测两个bboxes和一个类别，这种太强的空间约束，限制了YOLO对与相邻物体的检测能力，一旦相邻物体数量过多，YOLO就不行了。
2. 对于图像中，同一类物体出现新的，不常见的宽高比时，泛化能力较差。
3. 定位不准确。