YOLO 系列总结
相比 RCNN系列，YOLO 系列的主要缺点：
- 识别物体位置精准性差；
- 召回率低；
主要原因是每个网格预测固定数量的物体使候选框数量减少；
网络结构
Backbone
YOLO v1
- 改进 GoogLeNet，用 1x1 和 3x3 卷积核代替 inception modules；
- Leaky ReL：f(x)=max(x, 0.1x)；
YOLO v2 —— darknet19
YOLO v3 —— darknet53
- resnet 思想，添加了 residual block，降低了梯度消失的风险；
- 不使用 pooling 层，而是用步长为 2 的卷积层代替，避免了信息丢失;
Concat Layer
YOLO v1 —— 无
YOLO v2 —— 维度拼接，一次，第 16 层 26x26x512 → 13x13x2048 与第 24 层拼接；
YOLO v3 —— 维度拼接，两次
Fully Connected Layer
YOLO v1 —— 两层全连接层；
YOLO v2 —— 无（大大减少了参数规模）；
YOLO v3 —— 无
Upsample Layer
YOLO v1 —— 无
YOLO v2 —— 无
YOLO v3 —— 非线性插值法，上采用两次；
Anchor Box
YOLO v1 —— 无
YOLO v2
- k-means 聚类对数据集的ground truth聚类;
- 聚类的计算方式：使用 IOU 参与距离计算，若使用欧氏距离会使较大的 BBox 比小的 BBox 产生更大的误差，而 IOU 与 BBox 尺寸无关；使用聚类方法达到相同的 IOU 结果时所需的 anchor box 数量更少。
- 5 个尺度的 anchor boxes，使用 1 种尺度的 feature map;
YOLO v3
- k-means：同 YOLO v2
- 9 个尺度的 anchor boxes，使用 3 种尺度的 feature map，每个 feature map 分配 3 个尺度的 anchor boxes;
Bounding Box
YOLO v1 —— grid cell
- 直接预测 BBox 的位置和大小；
- 一个 grid cell 预测一个类；
YOLO v2 —— anchor box + offset + sigmoid activation
- 预测 BBox 相对于 anchor boxes 的偏移量；
- 一个 anchor box 预测一类，解决临近物体检测效果不好问题；
- offset：相较于直接预测的 BBox 位置，预测物体的偏移量，更易稳定收敛；
- sigmoid activation：当预测的 region proposal 的中心点相对于 anchor boxes 中心的偏移量较大时，不好收敛，导致模型在训练初期不稳定。将预测值加以 sigmoid 运算，将 region proposal 的中心点限定在 anchor box 的中心点所在的 grid cell 里；
YOLO v3 —— 同 v2;
模型输入
数据增强
YOLO v1
- 饱和度
- 曝光度
- 色调
- 抖动
YOLO v2
- 同 YOLO v2;
- 反转180°;
- 多尺度训练;
YOLO v3 —— 同 v2;
图像输入大小
YOLO v1 —— 预训练模型输入大小为 224x224，检测模型输入大小为 448 x 448；
YOLO v2 —— Multi-Scale Training：每个 10 个 batches 随机选择一种分辨率输入（320~608，32的倍数）;
YOLO v3 —— 同 v2;
模型输出
Output Shape
YOLO v1
- 每个 grid cell 预测一个类别概率；
- S × S × (B × [x, y, width, height, confidence] + C)；
- 7x7x(2x5+20)；
YOLO v2
- 每个 bbox 预测一个类别概率；
- S × S × B × ([x, y, width, height, confidence] + C)；
- 13x13x(5x(5+80))；
YOLO v3 —— 同 v2;
训练细节
防止过拟合
YOLO v1 —— 也使用了 BN，同时在 FC 中使用 dropout
YOLO v2 —— 取消 dropout 均使用 BN：提升模型泛化能力的同时使得模型更容易收敛；
YOLO v3 —— 同 v2;
优化器
YOLO v1 ——
YOLO v2 —— SGD
- learning rate = 0.001
- weight decay = 0.00005
- momentum = 0.9
YOLO v3
损失函数
Obj Loss
- 用于判断对应区域是否为物体的损失；
- One-Stage 目标检测算法的正负样本不均衡的问题比较严重，对于设计损失函数还会有一些针对创新；
Cls Loss
YOLO v1
YOLO v2 —— Softmax Loss
YOLO v3 —— Logistic Loss
-
这个改进主要是用于多标签分类。Softmax 输出的结果有互斥性，只能预测一类，而如果一个物体有多个标签（如：人和女人），Softmax 是做不到的。
-
Softmax 可被独立的多个 logistic 分类器替代，且准确率不会下降。分类损失采用 binary cross-entropy loss.
Loc Loss
YOLO v1 —— 对宽高都进行开根，使得预测相同的偏差时更小的框产生更大的损失；
YOLO v2 —— 使用 $2 - W_{ij}*h_{ij}$，使小物体的惩罚比大物体重；
YOLO v3 —— 同 v2;