YOLO图像跟踪技术.pptxVIP

YOLOYouonlylookonce(YOLO)isastate-of-the-art,real-timeobjectdetectionSystem.YOLO是一个最先进的，实时对象检测系统。Usingoursystem,youonlylookonce(YOLO)atanimagetopredictwhatobjectsarepresentandwheretheyare使用我们YOLO系统，仅需要看一次就能预测这个物体及其位置。YOLO的核心思想YOLO的核心思想就是利用整张图作为网络的输入，直接在输出层回归boundingbox（边界框）的位置及其所属的类别。fasterRCNN中也直接用整张图作为输入，但是faster-RCNN整体还是采用了RCNN那种proposal+classifier的思想，只不过是将提取proposal的步骤放在CNN中实现了。YOLO的网络结构YOLO检测网络包括24个卷积层和2个全连接层。其中，卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值。YOLO网络借鉴了GoogLeNet分类网络结构，不同的是，YOLO未使用inceptionmodule，而是使用1x1卷积层（此处1x1卷积层的存在是为了跨通道信息整合）+3x3卷积层简单替代。YOLO论文中，作者还给出一个更轻快的检测网络fastYOLO，它只有9个卷积层和2个全连接层。使用titanxGPU，fastYOLO可以达到155fps的检测速度，但是mAP值也从YOLO的63.4%降到了52.7%。Inception的网络结构YOLO的网络结构YOLO的输出YOLO将输入图像分成SxS个格子，每个格子负责检测‘落入’该格子的物体。若某个物体的中心位置的坐标落入到某个格子，那么这个格子就负责检测出这个物体。YOLO的输出每个格子输出B个boundingbox（包含物体的矩形区域）信息，以及C个物体属于某种类别的概率信息。Boundingbox信息包含5个数据值，分别是x,y,w,h,和confidence其中x,y是指当前格子预测得到的物体的boundingbox的中心位置的坐标。W,h是boundingbox的宽度和高度。confidence反映当前boundingbox是否包含物体以及物体位置的准确性confidence=P(object)*IOU。IOU(intersectionoverunion)为预测boundingbox与物体真实区域的交集面积（以像素为单位，用真实区域的像素面积归一化到[0,1]区间）。YOLO的局限性由于输出层为全连接层，因此在检测时，YOLO训练模型只支持与训练图像相同的输入分辨率。虽然每个格子可以预测B个boundingbox，但是最终只选择只选择IOU最高的boundingbox作为物体检测输出，即每个格子最多只预测出一个物体。当物体占画面比例较小，如图像中包含畜群或鸟群时，每个格子包含多个物体，但却只能检测出其中一个。YOLO的优点YOLO检测物体非常快。标准版本的YOLO在TitanX的GPU上能达到45FPS。更快的FastYOLO检测速度可以达到155FPS。YOLO可以很好的避免背景错误，产生falsepositives。不像其他物体检测系统使用了滑窗或regionproposal，分类器只能得到图像的局部信息。YOLO在训练和测试时都能够看到一整张图像的信息，因此YOLO在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。?YOLO的创新点?YOLO训练和检测均是在一个单独网络中进行。YOLO将物体检测作为一个回归问题进行求解，输入图像经过一次inference（推理），便能得到图像中所有物体的位置和其所属类别及相应的置信概率。而rcnn/fastrcnn/fasterrcnn将检测结果分为两部分求解：物体类别（分类问题），物体位置即boundingbox（回归问题）。1.所有的参数都被归一化到[0,1]2.若boundingbox包含物体，则P(object)=1；否则P(object)=0.IOU(intersectionoverunion)为预测boundingbox与物体真实区域的交集面积（以像素为单位，用真实区域的像素面积归一化到[0,1]区间）。