(完整版)YOLO：实时快速目标检测.doc

YOLO：实时快速目标检测论文笔记：YouOnlyLookOnce:Unified,Real-TimeObjectDetection评论：基于深度学习方法的一个特点就是实现端到端的检测。相对于其它目标检测与识别方法（比如FastR-CNN）将目标识别任务分类目标区域预测和类别预测等多个流程，YOLO将目标区域预测和目标类别预测整合于单个神经网络模型中，实现在准确率较高的情况下快速目标检测与识别，更加适合现场应用环境。后续研究，可以进一步优化YOLO网络结构，提高YOLO准确率。YOLO类型的端到端的实时目标检测方法是一个很好的研究方向。（预告：后续文章中，将对YOLO的tensorflow源码实现进行详解，敬请关注）简介：YOLO为一种新的目标检测方法，该方法的特点是实现快速检测的同时还达到较高的准确率。作者将目标检测任务看作目标区域预测和类别预测的回归问题。该方法采用单个神经网络直接预测物品边界和类别概率，实现端到端的物品检测。同时，该方法检测速非常快，基础版可以达到45帧/s的实时检测；FastYOLO可以达到155帧/s。与当前最好系统相比，YOLO目标区域定位误差更大，但是背景预测的假阳性优于当前最好的方法。1前言人类视觉系统快速且精准，只需瞄一眼（YouOnlyLookOnce，YOLO）即可识别图像中物品及其位置。传统目标检测系统采用deformablepartsmodels(DPM)方法，通过滑动框方法提出目标区域，然后采用分类器来实现识别。近期的R-CNN类方法采用regionproposalmethods，首先生成潜在的boundingboxes，然后采用分类器识别这些boundingboxes区域。最后通过post-processing来去除重复boundingboxes来进行优化。这类方法流程复杂，存在速度慢和训练困难的问题。本文中，我们将目标检测问题转换为直接从图像中提取boundingboxes和类别概率的单个回归问题，只需一眼（youonlylookonce，YOLO）即可检测目标类别和位置。YOLO采用单个卷积神经网络来预测多个boundingboxes和类别概率，如图1-1所示。本方法相对于传统方法有如下有优点：一，非常快。YOLO预测流程简单，速度很快。我们的基础版在TitanXGPU上可以达到45帧/s；快速版可以达到150帧/s。因此，YOLO可以实现实时检测。二，YOLO采用全图信息来进行预测。与滑动窗口方法和regionproposal-based方法不同，YOLO在训练和预测过程中可以利用全图信息。FastR-CNN检测方法会错误的将背景中的斑块检测为目标，原因在于FastR-CNN在检测中无法看到全局图像。相对于FastR-CNN，YOLO背景预测错误率低一半。三，YOLO可以学习到目标的概括信息（generalizablerepresentation），具有一定普适性。我们采用自然图片训练YOLO，然后采用艺术图像来预测。YOLO比其它目标检测方法（DPM和R-CNN）准确率高很多。YOLO的准确率没有最好的检测系统准确率高。YOLO可以快速识别图像中的目标，但是准确定位目标（特别是小目标）有点困难。图1-1YOLO目标检测系统2统一检测（UnifiedDetection）作者将目标检测的流程统一为单个神经网络。该神经网络采用整个图像信息来预测目标的boundingboxes的同时识别目标的类别，实现端到端实时目标检测任务。如图2-1所示，YOLO首先将图像分为S×S的格子（gridcell）。如果一个目标的中心落入格子，该格子就负责检测该目标。每一个格子（gridcell）预测boundingboxes（B）和该boxes的置信值（confidencescore）。置信值代表box包含一个目标的置信度。然后，我们定义置信值为。如果没有目标，置信值为零。另外，我们希望预测的置信值和groundtruth的intersectionoverunion(IOU)相同。每一个boundingbox包含5个值：x，y，w，h和confidence。（x，y）代表与格子相关的box的中心。（w，h）为与全图信息相关的box的宽和高。confidence代表预测boxes的IOU和goundtruth。每个格子（gridcell）预测条件概率值C（）。概率值C代表了格子包含一个目标的概率，每一格子只预测一类概率。在测试时，每个box通过类别概率和box置信度相乘来得到特定类别置信分数：这个分数代表该类别出现在box中的概率和box和目标的合适度。在PASCALVOC数据集上评价时，我们采用S=7,B=2，C=20（该数据集包含20个类别），最终预测结果为7×7×30的tensor。图2-1模型