机器视觉 目标检测补习贴之YOLO实时检测, You only look once

机器视觉是一场科学家与像素之间的游戏 — David 9

上一期，我们已经介绍了R-CNN系列目标检测方法（R-CNN, Fast R-CNN, Faster R-CNN）。事实上，R-CNN系列算法看图片做目标检测，都是需要“看两眼”的. 即，第一眼 做 “region proposals”获得所有候选目标框，第二眼 对所有候选框做“Box Classifier候选框分类”才能完成目标检测：

事实上“第一眼”是挺费时间的，可否看一眼就能得到最后的目标检测结果？达到实时检测的可能? 答案是肯定的，这也是我们要讲YOLO的由来 — You only look once ！

YOLO能够做到在输出中同时包含图片bounding box(检测框)的分类信息和位置信息: 

理论上，每次卷积后，信息是没有损失的(前提是没有使用pooling层)，只是信息更“深”了(人类无法看懂, 但是机器可以)。

试着想象这样的情况, 我们用1*1的卷积小方格去卷积一张7*7的图片, 试图目标检测:

显然, 卷积的输出也是7*7:

但是我们可以做一些神奇的事情, 卷积窗口filter出了被窗口过滤后的类别 ! 我们可以为每个过滤后的小窗口(cell)赋予一个类别, 比如, 是自行车Bicycle的类别中的像素过滤为上图紫色. 当然, 也有可能一些小方格输入多个类别, 比如也可能属于猫同时属于自行车的识别中. 

这样, 我们自然地在卷积的同时, 把类别信息和位置信息同时包含进去了.

上述是便于理解的例子, 大家不要真的以为YOLO第一层卷积就使用了1*1的卷积窗口 !

事实上, 原理是这样但每一层窗口是大一点3*3的:

我们来仔细看看最后一层发生了什么:

中间是最后一层需要卷积的图片(实际上是人类无法看懂的卷积通道图片). 左边是卷积示意图, 其中细细的一条是卷积输出的通道包含的信息, 放大后, 可看到右边通道的信息包含box的候选位置信息, 5位是box, 两5位代表支持一个卷积窗口同时包含在两个识别物体框中. 之后的蓝色位数代表该位置为某个类别物体的置信度.  两个相乘MUL, 就是每个位置对每个类别置信度的信息.

理解了YOLO最主要的卷积方法之后，我们头脑中还要有个概念，就是YOLO不仅仅只有独特的卷积方法，还有对候选框交集（Intersect over Union (IoU))的处理和非极大值抑制算法（Non-Maxima Suppresion) . 总体上YOLO框架 如下：

评价真实目标检测框和预测检测框的差异非常简单，即:

检测框交叉面积 / 检测框的并集面积

最后，卷积层的输出可能是对同一个检测目标的许多个检测框，我们有高效的非极大值抑制算法来选择最好的检测框：

最后， YOLO也是有自身缺陷的：

• YOLO对相互靠的很近的物体，还有很小的群体检测效果不好，这是因为一个网格中只预测了两个框，并且只属于一类。
• 对测试图像中，同一类物体出现的新的不常见的长宽比和其他情况是。泛化能力偏弱。
• 由于损失函数的问题，定位误差是影响检测效果的主要原因。尤其是大小物体的处理上，还有待加强。

 

参考文献：

1. https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/single-shot-detectors/yolo.html
2. http://blog.csdn.net/hx921123/article/details/55802795
3. https://zhuanlan.zhihu.com/p/25045711?refer=shanren7

本文章属于“David 9的博客”原创，如需转载，请联系微信: david9ml，或邮箱：yanchao727@gmail.com

或直接扫二维码: