YOLOv1、YOLOv2、YOLOv3和YOLOv3 SPP

Kyle_W
2,209 阅读2分钟

YOLO v1

2016年发表于CVPR，448×448448 \times 448图像输入，达到45FPS，63.4mAP，比SSD效果差，相比Faster R-CNN，速度快但准确率低

论文思想

  1. 将一幅图像分成S×SS \times S个网格（grid cell），如果某个object的中心落在这个网格中，则这个网格就负责预测这个object
  2. 每个网格要预测B个bounding box和C个类别的分数，每个bounding box除了要预测位置之外，还要附带预测一个confidence值

网络结构

image.png

image.png

损失函数

image.png

局限

  • 群体小目标检测效果差
  • 目标尺寸对检测结果有影响
  • 定位不准确

YOLO v2

2017年发表于CVPR，采用Darknet-19作为backbone

各种尝试

  • Batch Normalization。能够正则化模型，避免过拟合，有了BN层，可以移除dropout操作，mAP提升2%
  • 高分辨率分类器。输入图像尺寸为448×448448 \times 448，使mAP提升4%
  • Anchor Boxes。使用Anchor Boxes偏移量，而不是像YOLO v1直接定位，能够简化目标边界框预测问题，便于网络学习。相比于不使用Anchor Boxes，mAP略微降低，但召回率能提升7%
  • Dimension Cluster。使用k-means聚类根据训练集的bounding boxes自动找到合适的priors
  • Direct location prediction。限制预测目标中心点的坐标范围，使网络训练更稳定
  • Fine-Grained Feature。通过PassThrough Layer融合高维和低维的特征矩阵，提升检测小目标的能力
  • 多尺度训练。提升鲁棒性

网络结构

image.png

YOLO v3

2018年发布于CVPR，采用Darknet-53作为backbone，用3×33 \times 3卷积核步距为2的卷积层替代下采样池化层

网络结构

image.png

目标边界框的预测

image.png

正负样本的匹配

选取IoU最大的box作为正样本，IoU超过0.5但不是最大的box直接舍弃

损失计算

image.png

image.png

image.png

YOLO v3 SPP

Mosaic图像增强

将4张图像拼接为1张图像作为训练样本

  • 增加数据的多样性
  • 增加目标个数
  • BN能一次性统计多张图片的参数

SPP模块

实现了不同尺度的特征融合

image.png

网络结构

image.png

回归定位损失

IoU Loss

IoU=Intersection(boxA,boxB)Union(boxA,boxB)IoU = \frac{Intersection(boxA, boxB)}{Union(boxA, boxB)}
LIoU=−ln(IoU)L_{IoU} = -ln(IoU)

优点：

  • 能够更好地反映重合程度
  • 具有尺度不变性

缺点：

  • 当不相交时loss为0?

GIoU Loss

GIoU=IoU−Ac−uAc,−1<=GIoU<=1GIoU = IoU - \frac{A^c - u}{A^c}, -1 <= GIoU <= 1
LGIoU=1−GIoU,0<=LGIoU<=2L_{GIoU} = 1 - GIoU, 0 <= L_{GIoU} <= 2

其中AcA^c为boxAboxA和boxBboxB的外接矩形面积，uu为boxAboxA和boxBboxB的并集面积

DIoU Loss

LIoUL_IoU和LGIoUL_GIoU的缺点：

  • 收敛慢
  • 回归不够准确

DIoU损失能够直接最小化两个boxes之间的距离，因此收敛速度更快

image.png

DIoU=IoU−ρ2(b,bgt)c2=IoU−d2c2DIoU = IoU - \frac{\rho^2(b, b^{gt})}{c^2} = IoU - \frac{d^2}{c^2}
−1<=DIoU<=1-1 <= DIoU <= 1
LDIoU=1−DIoUL_{DIoU} = 1 - DIoU
0<=LDIoU<=20<= L_{DIoU} <= 2

CIoU Loss

一个优秀的回归定位损失应该考虑到3种几何参数：

  • 重叠面积
  • 中心点距离
  • 长宽比
CIoU=IoU−(ρ2(b,bgt)c2+αυ)CIoU = IoU - (\frac{\rho^2(b, b^{gt})}{c^2} + \alpha \upsilon)
υ=4π2(arctanwgthgt−arctanwh)2\upsilon = \frac{4}{\pi^2}(arctan\frac{w^{gt}}{h^{gt}} - arctan\frac{w}{h})^2
α=υ(1−IoU)+υ\alpha = \frac{\upsilon}{(1-IoU) + \upsilon}
LCIoU=1−CIoUL_{CIoU} = 1 - CIoU

Focal Loss

One-stage网络模型，正负样本不平衡

FL(pt)=−αt(1−pt)γln(pt)FL(p_t) = -\alpha_t(1 - p_t)^\gamma ln(p_t)

更专注于难分的样本

avatar
文章
阅读
粉丝