[論文筆記] YOLOv2 (未完成)

YOLOv1 的不足

• 相較於 Fast R-CNN ，有較多的定位錯誤 (localization errors)
• 召回率比其他 Region proposal-based 的方法低
• 檢測器無法有效利用圖像分類數據集來增加可檢測的類別

YOLOv2 中使用的優化點

Batch Normalization

• BN 可以加速模型收斂，減少其他 regularization 的使用
• 使用後 mAP 增加了 2% ，而且不再需要 Dropout 來避免 overfitting 

High Resolution Classifier

• YOLOv1 中，訓練包含了個階段
  • 預訓練 : 低解析度圖像(224x224 px) + 分類任務
  • 微調 : 高解析度圖像(448x448 px) + 目標檢測任務
• 這導致模型必須同時適應解析度與訓練任務的轉換
• YOLOv2 中，在兩個過程中間額外加上一個高解析度圖像的分類任務進行微調 ，讓模型譨先適應高解析度影像，再開始學習目標檢測任務

Convolution With Anchor Boxes

• 參考了 Faster R-CNN 中的 Anchor 機制 (其中 RPN 預測的是 anchor 的修正量)
• 去除了 YOLOv1 的全連接層，並改成使用 anchor box 機制
• 縮減模型輸入 (448→416)，使輸出尺寸縮減 (14→13) (因為作者發現，圖像中物件經常落在正中央位置，讓輸出網格數變成奇數後，就能讓正中間網格專注預測中央位置的物件)
• 採用 anchor box 機制後，分離了類別預測任務與位置預測任務之間的耦合
• 使用 anchor boxes 機制後，降低了 mAP 但提升Recall (讓模型有更多可改進空間)

Dimension Clusters

• 採用 anchor box 機制後，需要挑選 anchor boxes 的尺寸
• 利用 K-means 聚類，挑選最合適的 anchor boxes 尺寸
• K-means 聚類時，使用 anchor 之間的 IoU 作為 distance metric
• 
• 聚類的類別數越多，召回越高，但模型複雜度也高 (最後選擇 k=5 為一個平衡點)

Direct location prediction

• 加上 anchor 後，發現訓練不穩定，原因是模型沒有對輸出值做限制，導致每個網格都能預測出任意位置，使訓練難以收斂

• 讓模型沿用 YOLOv1 的做法，預測物件相對於所在網格左上角點的位置
• 並且將位置預測值加上邏輯函數，限制其值在 [0, 1] 之間

Fine-Grained Features

• 在經過多層卷積層運算後，特徵圖的解析度會變小，小物件的信息也會逐漸流失
• 在 Faster R-CNN 與 SSD 中，都利用了多尺度特徵圖來提升小物件的召回 (因為利用了淺層的高解析度特徵圖)
• YOLOv2 中，使用 passthrough layer 來結合不同解析度的特徵圖，提升小物件召回

Multi-Scale Training

• 從 YOLOv1 的架構，去除了全連接層，得到的 FCN 模型能預測多種輸入尺寸的影像
• 訓練時，不斷改變輸入圖像的尺寸，讓模型能適應不同解析度的圖像
• 這個特性，也讓我們能輕易地在模型的運算時間與準確度之間做調整

參考

1. 论文阅读笔记《Surface defect classification of steels with a new semi-supervised learning method》