YOLO v1

2016年发表于CVPR，$448 \times 448$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$S \times S$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

损失函数

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$448 \times 448$，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

YOLO v3

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

网络结构

目标边界框的预测

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

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

网络结构

回归定位损失

IoU Loss

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

其中$A^c$为$boxA$和$boxB$的外接矩形面积，$u$为$boxA$和$boxB$的并集面积

DIoU Loss

$L_IoU$和$L_GIoU$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

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

Focal Loss

One-stage网络模型，正负样本不平衡

更专注于难分的样本