文章
Portal
站长自定义
零售前沿
智能科技
泛文娱
教育
大健康
新消费
区块链
文章2
BBS
站长自定义
零售前沿
智能科技
泛文娱
教育
大健康
新消费
区块链
图像处理
站长自定义
零售前沿
智能科技
泛文娱
教育
大健康
新消费
区块链
Tic商业评论
关注微信公众号【站长自定义模块】,定时推送前沿、专业、深度的商业资讯。
用户名
Email
自动登录
找回密码
密码
登录
立即注册
只需一步,快速开始
微信扫码,快速开始
登录
注册
搜索
搜索
搜索
热搜
数据分析
图像分类
discuz
本版
文章
帖子
用户
本版
文章
帖子
用户
深度学习
Linux
环境搭建
c++
好友
收藏
道具
勋章
任务
淘帖
动态
日志
相册
分享
记录
留言板
广播
群组
门户
导读
排行榜
设置
我的收藏
退出
技术改变生活
›
深度学习
›
目标检测
›
YOLOv1原理深入理解
发布主题
返回列表
YOLOv1原理深入理解
0
回复
6100
查看
[复制链接]
lijingle
当前离线
积分
1244
lijingle
已绑定手机
49
主题
4
回帖
1244
积分
管理员
积分
1244
收听TA
发消息
来源:
2021-4-27 13:21:02
显示全部楼层
|
阅读模式
yolo是最早出现的单阶段目标检测方法,也是最早的一个可以实时进行检测的算法。本文主要对yolo算法进行原理分析理解。
网络分为两部分,首先是识别,先确定图片中存在我们标注的物体,然后用边框进行定位:
如图所示:
图一. 对图片的识别与定位
要对图片进行识别,首先我们要确定图片的哪个位置存在物体,这就需要引出候选区域,即存在物体的区域,这个区域怎么去确定,以及确定多少是一个比较复杂的问题。
这里对于二阶段的检测方法,候选区域选的比较多,当然也导致推断速度非常慢。
一,yolo方法实现
首先yolo没有消除预选框,而是将图片分为SxS个小方格,这里yolov1版本S=7,即49个方格,每个方格中挑选2个预选框,总共有98个预选框,有了预选框就需要对预选框里的物体进行预测,这里每个预选框,除了要预测物体的位置,还要预测物体的置信度,置信度的计算方法如下:
这里Pr(object)是预测物体是否落在方格里,如果是这里值为1,否则为0,IOU是预测bounding box和实际的truth之间IOU的值。每个bounding box 要预测(x,y,w,h)和confidence共5个值,每个网格还有预测一个类别信息,假设共有C类,所以每个网格输出就是(5*2+C)这里每个网格预选框为2,最终输出就为SxSx(5*2+C)的一个tensor。
这个预测图像如图所示:
二,网络结构
上图为YOLO的整个网络结构,输入图片经过神经网络变换得到一个输出张量,里面存在图像的种类以及区域。
输入和输出的对应关系如图所示:
在进行预测时,每个网格的class信息和bounding box预测的信息相乘,就会得到每个bounding box的class-specific confidence score计算如下:
这里左边是类别信息和某一类的置信度以及位置信息相乘,这结果就是某个类别以及相应的位置准确度信息。这里得到很多box的class-specific confidence score将得分比价低的box进行过滤,也就是所说的极大值抑制,NMS。
三,yolo实现细节以及相关解释
1.输入
在网络中的全连接层要求需要固定大小的向量作为输入,所以往前也需要原始图像需要有固定的尺寸。这里作者选择的图像为448*448
2.输出:
输出是一个7*7*30的一个tensor
3.30维向量;
具体维度的信息如下图所示:
其中坐标的x,y用对应网格的offset归一化到0-1之间,w,h用图像的width和height归一化到0-1之间。
在具体设计损失函数时,这里8,2,20明显不平衡,作者采用
sum-squared error loss来进行设计。
这里这样设计存在问题。
1.8维的localization error和20维的classification error同样重要不合理
2.如果网格中没有object,网格的confidence为0,毕竟图像中为0的是比较多的,这种做法会overpowierng,这会导致网络发散。
解决方法:
才用加权的方式进行解决:更重视8维的坐标预测,给这些损失前面添加更大的loss weight,即为:
在Pascal VOC训练中5.
对没有object的box的confidence loss,赋予小的loss weight,记为
在pascal VOC训练中取0.5。
有object的box的confidence loss和类别的loss的loss weight正常取1
整个损失函数如下所示:
回复
使用道具
举报
返回列表
发表新帖
高级模式
B
Color
Image
Link
Quote
Code
Smilies
您需要登录后才可以回帖
登录
|
立即注册
Copyright @ 2019 Comsenz Inc. Powered by
Discuz!
Licensed
浙ICP备19002707号-2
电话咨询: 135xxxxxxx
关注微信