YoloV2：Faster、Stronger --网络结构 --工程化技巧使用

YoloV2

特点：

Yolo9000，Better、Faster、Stronger

最终能够检测目标数目超过九千类别

超过30s是实时的；YoloV2又快又准！

Batch Normalization

采用Batch Normalization的方法，mAP提升百分之二左右；

对同一个Batch上的特征进行Normalization

删除全连接层

每次Conv之后都进行Sigmoid（Batch Normalizaion）

没有FC层，进行了五次降采样

使用1*1的卷积节省了很多参数

High Resolution Classifier

由V1的224 * 224 变为V2的448 * 448图片用于训练

提升大概4个百分点

Convolutional with Anchor Boxes

基于anchor偏移的目标边界框预测方式

使得模型更加稳定，更容易收敛；

采用anchor的方式，导致mAP有所下降，但是Recall有明显的提升

Anchor：每个grid cell预先设定一组不同大小和宽高比的边框，来覆盖整个图像的不同位置和多种尺度。每个anchor box都会单独预测分类概率值，最终获得13* 13* anchorsnum个边界框，大大增多。

• 每个尺寸选取k=5个先验框的大小—》》》通过聚类对数据集中的数据进行分类，选取五个聚类中心

Dimension Clusters

Faster-RCnn 或 SDD中，没有给出明确的尺寸来源

在YoloV2中，采用K-means聚类的方法去获得相应的预测框的尺寸；

• 选用k=5的聚类进行提取
• 这里不选用欧氏距离，不同图像大小不同，所以大图像惩罚比小图像大
• d(box,centroids)= 1 - IOU(box,centroids)
  获得进步：
• 通过引入anchor boxes，使得预测的box数量更多(1313n)
• 跟faster-rcnn系列不同的是先验框区别不是直接按照长款固定比给定的

Direct location Prediction

Yolov2对移动位置量进行预测；

使用sigmoid函数，将tx、ty预测的中心坐标进行了限制，大小限定在0到1之间了；给Yolo带来五个点的提升；

坐标还原：坐标*32倍，还原到真实图像的坐标上

Fine-Grained Features

13 * 13 feature map 和 26 * 26的feature map进行特征融合；

如何进行特征融合的：通过Passthrough Layer

通过1 * 1卷积层将26 * 26 *512卷积称为26 * 26 * 256

通过Passthrough Layer将26 * 26 *512变为13 * 13 * 1024

Passthrough Layer

Multi-Scale Training

尝试采用多尺度输入尺寸；

网络的鲁棒性受限，将图片缩放到不同尺度进行调整；

每次迭代10个batch，我们就对图像随机缩放，要求图片大小是32的整数倍，最小尺寸320 * 320，最大尺寸608 * 608

Backbone:Darknet-19

Darknet-19是有19个卷积层；

YoloV2的模型架构

最后得到5个anchorbox对应的5个位置参数，20个类别的概率；

训练细节

• 用到了YoloV1中的数据增强处理
• SSD中的随机裁剪、颜色增强