卷积神经网络—目标检测 学习笔记（中）

3.4 滑动窗口的卷积实现（Convolutional implementation of sliding windows）

滑动窗口算法计算成本高的主要原因是有许多重复计算，如下图所示：



在滑动过程中，红框和绿框重叠区域会被计算多次，这浪费了很多计算时间，因此要改进滑动窗口就要避免重复计算。

先看一下滑动窗口算法的结构：



由于使用全连接层，每次处理只能输出一个结果。而如果我们想共享重叠部分的计算，很自然想到一次处理得到所有窗口的结果，全连接层难以胜任，所以我们要使用卷积层代替全连接层。如下图所示：



注意，这里是以四分类为例，所以最后得到的是一个1*1*4的结果，分别代表每种分类的概率。

这样便完成了全连接层向卷积层的转换，接下来要实现一次处理得到所有窗口：



如上图所示，假设我们对28*28大小的图片截取8*8个窗口，最终的分类结果有四种。由于图像位置关系都是一一对应的，所以原图中（1，1）处的窗口对应处理后（1，1）处的结果，原图中（i，j）处的窗口对应处理后（i，j）处的结果。

这样便实现了一次处理得到所有窗口的结果。

滑动窗口的卷积实现已经很高效，但缺点是边界框不够准确。 因为边界框完全由窗口大小及步长决定，很难使所有的目标恰好在窗口中。

3.5 Bounding Box Prediction

主要描述了YOLO（You Only Look Once）算法：

将输入图像划分成N*N 的网格。

对N*N个网格使用定位分类。



需要注意一下几点：

YOLO使用的是卷积实现，可以一次处理N*N个网格。

目标的中点位于哪个网格，那么就认为目标位于该网格。

每个网格都会产生一个定位分类中的Y(维度为8），所以算法最后的输出是一个N*N*8的结果。

对于目标中心的指定，以目标所在网格的左上为（0，0），右下为（1，1）来进行表示。当物体跨越多个网格时，bh,bwbh,bw 会大于1。

当网格内的目标不超过一个时，YOLO算法表现很好，可以达到实时检测。当一个网格出现多个目标时，可以考虑使用更稠密的网格。

3.6 交并比（intersection over union）

为了衡量定位精确度，引入了交并比的概念。

顾名思义，交并比是两个集合交集 比 它们的并集。以下图为例



紫色框区域为预测的目标位置，红色框区域为目标的真实位置，二者的交并比为黄色区域比绿色区域。

一般交并比≥0.5时，我们就认为定位结果是可以接受的。IoU越大，说明定位精度越高。