YOLO系列（V1-V2-V3）

yolo系列整理

版本	作者主页	程序	论文
yoloV1	点击打开	点击打开	点击打开
yoloV2	点击打开	点击打开	点击打开
yoloV3	点击打开	点击打开	点击打开

改进

V2 VS V1:

增加BN层：

• 解决问题：每层的输入分布一直在改变，训练难度增加；
• 采取措施：在每层卷积层后，添加batch normalization；
• 改进效果：
  1.mAP获得了2%的提升；
  2.规范化模型，可以在舍弃dropout优化后依然不会过拟合；
  ##High Resolution Classifier
• 解决问题：由于现有的特征提取网络局限，导致图片被resize到不足256 * 256，导致分辨率不够高，给检测带来困难；
• 采取措施：
  1.提高分辨力到448 * 448；
  2.改变原来特征网络的输入分辨率，在ImageNet数据集上对分类网络进行fine tune训练10轮（10 epochs），使得网络适应高分辨率的输入；然后，对检测网络进行fine tune。
• 改进效果：mAP获得了4%的提升；
  ##Convolutional With Anchor Boxes
• 解决问题：全连接层的数据完成边框的预测，导致丢失较多的空间信息，定位不准；
• 采取措施：
  1.借鉴了Faster R-CNN中的anchor思想
  2.在卷积特征图上进行滑窗操作，每一个中心可以预测9种不同大小的建议框。
  3.去掉了后面的一个池化层以确保输出的卷积特征图有更高的分辨率；
  4.缩减网络，输入分辨力为416416，使得输出的feature map宽高为基数，产生一个center cell（大物体通常占据了图像的中间位置），用一个中心cell预测大物体，否则就要用中间的4个cell来进行预测，有利于提高效率。
  5.卷积层降采样（factor为32），输入大小：416416；输出大小：13*13
• 改进效果：召回率上升，准确率下降。
  1.改进后：预测13 * 13 * 9 = 1521个boxes，recall为88%，mAP为69.2%
  2.改进前：预测7 * 7 * 2 = 98个boxes，recall为81%，mAP为69.5%
  3.准确率只有小幅度的下降，而召回率则提升了7%。
  ##Dimension Clusters
• 解决问题：
  1.anchor boxes的宽高维度往往是精选的先验框，如果一开始就选择了更好的、更有代表性的先验boxes维度，那么网络就更容易学到准确的预测位置；
  2.传统的K-means聚类方法使用的是欧氏距离函数，也就意味着较大的boxes会比较小的boxes产生更多的error，聚类结果可能会偏离；
• 采取措施：
  1.距离函数：error就和box的尺度无关
  
  聚类结果：扁长的框较少，而瘦高的框更多
  
• 改进效果：使用聚类方法，仅仅5种boxes的召回率就和Faster R-CNN的9种相当
  
  ##Direct location prediction
• 模型不稳定，尤其是在早期迭代的时候，大部分的不稳定现象出现在预测box的 (x,y)(x,y) 坐标上；
• 
• 
  这个公式的理解为：当预测 tx=1tx=1，就会把box向右边移动一定距离（具体为anchor box的宽度），预测 tx=−1tx=−1，就会把box向左边移动相同的距离。
  符号含义：
  1.x是坐标预测值
  2.xa 是anchor坐标（预设固定值）
  3.x∗是坐标真实值（标注信息）
  4.其他变量 y，w，h 以此类推，t 变量是偏移量；
  这个公式没有任何限制，使得无论在什么位置进行预测，任何anchor boxes可以在图像中任意一点结束。模型随机初始化后，需要花很长一段时间才能稳定预测敏感的物体位置。
• 采取措施：
  1.采用预测相对于grid cell坐标位置的方法。
  2.13*13的grid，每个cell对应5个anchors box，每个anchors box对应5个值（分别是坐标和置信度），如下所示：
  
  (cx,cy)：这个cell距离图像左上角的cell数；
  (pw,ph)：cell对应的anchors box的宽高；
  tx,ty 经sigmod函数处理过，取值限定在了0~1，实际意义就是使anchor只负责周围的box，有利于提升效率和网络收敛。
  e的幂函数是因