基于深度学习的目标检测算法：YOLO

        之前学习的RCNN系列的目标检测算法都是先提取出候选区域，然后利用分类器识别这些区域，并对候选区域进行位置修正。这类方法流程复杂，存在着速度慢、训练困难等缺点。

        YOLO算法将检测问题看做是回归问题，采用单个神经网络，利用整个图像的信息来预测目标的边框、识别目标的类别，实现端到端的目标检测，如图所示。YOLO相比于之前的算法有如下优点：

1）非常快。YOLO的流程简单，速度很快，可以实现实时检测。

2）YOLO采用全图信息进行预测。与滑动窗口、region proposals不同，YOLO在训练、预测过程中利用全图信息。Fast R-CNN方法错误地将背景块检测为目标，原因在于Fast R-CNN方法在检测时无法看到全局图像。相比于Fast R-CNN，YOLO可以将背景预测错误率降低一半

3）YOLO可以学习到目标的概括信息。我们采用自然图像训练YOLO，然后采用艺术图像来预测，YOLO比其他目标检测算法的准确率高很多。

YOLO：

        该方法将图像划分为S*S个格子。如果一个目标的中心落入某个格子中，那么该格子负责检测该目标。每个格子预测B个bounding boxes，以及这些bounding boxes 的置信值（confidence scores）。关于置信值，我当时看论文的时候没看懂，后来是这么理解的：YOLO模型预测出每个bounding box时，也预测出了该bounding box的置信值，可以定义为，该值表明了该bounding box包含目标的可信度，以及该bounding box的可信度；在训练模型时，如果对应的格子中不包含目标时，我们希望该置信值等于0，否则，我们希望该置信值等于predicted box与ground truth的IOU。

        每个bounding box包含有5个值：x，y，w，h，confidence。（x，y）表示bounding box的中心，(w，h)表示bounding box的宽、高，confidecne表示bounding box与ground truth的IOU，注意，该值是预测出来的，而不是实际计算得到的。

        每个格子预测出C个条件概率。

        在测试的时候，我们可以将bounding box的置信度与类别概率相乘，得到特定类的置信分数，这个分数代表了该类别出现在bounding box的概率，也代表了bounding box吻合目标的程度。

        YOLO算法采用的网络结构，与GoogLeNet有点类似，有24个卷积层，2个全连接层，如下图所示。在训练该模型时，首先用ImageNet 1000-class数据集来预训练卷积层。在预训练阶段，采用图中的前20卷积层，外加a average-pooling layer and a fully connected layer。然后，将模型转为检测模型，作者向预训练模型中加入了4个卷积层和2个全连接层，并且提高了模型的输入分辨率（224*224 ->  448*448）。其中，最后一层输出类别概率、bounding box。

      For evaluating YOLO on PASCALVOC, we use S = 7,B= 2. PASCALVOC has 20 labelled classes so C= 20.Our final prediction is a7 × 7× 30 tensor .  

      每个格子预测出多个bounding box。但是，在训练时，我们只希望一个bounding box predictor 来负责一个目标，所以，根据bounding box与ground truth的IOU来选取合适的bounding box predictor 。在训练过程中，采用的损失函数如下：

        然而，YOLO算法也存在着一些缺点：

        1）每个格子只能预测出两个bounding box、一种类别，这导致模型对相邻目标的检测准确率下降。因此，YOLO对成堆目标的检测准确率较低。    

        2）loss函数对small bounding box、large bounding box的error平等对待，这将影响目标检测的准确率。因为对于small bounding box，small error 的影响更大。