目标检测 | Yolo2算法学习笔记

Yolo2算法在Yolo1算法的基础上改进了下面几个点：

1）Yolo2算法在每一个卷积层后添加了归一化，通过这一方法，map（平均准确率）获得了2%的提升。归一化方法也提高了网络的泛化能力，舍弃dropout后依然不会过拟合。

2）Yolo2算法的网络结构用卷积层代替了全连接层，因此Yolo2算法可以训练不同尺度的图像，这使得Yolo2算法可以适应不同尺度的图像 。

3）Yolo2网络通过添加shortcut层来连接浅层的特征，因为浅层具有细粒度的特征，因此通过shortcut层使得模型具有细粒度的特征，此方法使得模型的map提升了1%。

4）Yolo1算法中每个grid cell只能预测一个物体对象，Yolo2算法设置每个grid cell可以预测多个对象，每个Bounding Box不仅包含了矩形框的位置信息，也包含了置信度和所属类概率值。

5） Yolo2算法利用聚类方法选择Bounding Box的先验宽和高。

Yolo2算法的损失函数如下图：

当grid cell中的Bounding Box包含物体时，我们用Bounding Box的预测位置与真实位置的均方差表示位置偏差，置信度偏差等于预测Bounding Box的置信度与预测Bounding Box和真实物体框的交并比的均方差表示，预测类的偏差用预测的类概率与真实所属类的均方差表示。

当grid cell中的Bounding Box不包含物体时，我们用Bounding Box的预测位置与真实位置的均方差表示位置偏差，置信度偏差等于预测Bounding Box的置信度与0的均方差，预测类的偏差不用考虑。

Yolo2算法预测Bounding Box的位置是通过每个grid cell的偏差来标记的，如下图：

因此，yolo2算法预测矩形框的位置都是以偏差的形式表示，范围为0~1，通过sigmoid函数实现。

参考：

https://blog.csdn.net/qq_42422981/article/details/90105149

欢迎扫码关注：