死磕YOLO系列，YOLOv2的自我修养

系列文章：
死磕YOLO系列，YOLOv1 的大脑、躯干和手脚

演员需要自我修养，程序员也需要。

YOLO 在当时是非常不错的算法，速度极快，但明显的缺陷就是精度问题特别是小尺寸目标检测问题上。

YOLO 的作者有强调的一个事情是 YOLOv2 仍然是实时的，并且在速度和精度方面做了一定的平衡。

YOLOv2 是 YOLO 的进阶版，它没有彻底否定 YOLO，而是在 YOLOv1 的基础上，融合了很多其它论文优秀的思想做了大幅的提升。

YOLO 作者概括了从 3 个方面入手：

1. 更好
2. 更快
3. 更强

1. 如何更好？

YOLO 作者对比了 Fast R-CNN 发现 YOLO 有一些短板，那就是比较低的召回率和比较高的定位误差。

所以，让 YOLO 变得更好指的是保持准确率的情况下：

• 提升召回率
• 降低定位误差

为此，尝试了一些手段。

1. 引入 Batch Normalization

Batch Norm 是一种很有效的正则化手段，所有的卷积层后面引入正则化之后，YOLO 表现如何呢？

• mAP 提升了 2%
• 可以去掉了 Dropout 仍然不出现过拟合

不熟悉 Batch Norm 的同学可以尝试阅读我这篇介绍文章

2. 高分辨率图像分类器

所有比较先进的目标检测网络，它的图像分类器都是在 ImageNet 做预训练的。

但从 AlexNet 开始，大多数分类器接受的图片尺寸都比较小，低于 256 * 256。

YOLOv1 训练图像分类时，图片尺寸是 224224，之后训练检测时，图片尺寸是 448 × 448，这代表模型需要同时应对学习检测和分辨率的变化。

YOLOv2 做了相应的改变。

通过对 YOLOv1 的模型进行 finetune，用 448*448 的图片尺寸训练了 10 epoches,主要目的是想让卷积核适应高分辨率。

这个步骤相当于做了减法，减轻了网络的学习任务，让它忽略图片尺寸的变化，专心应对目标检测任务。

这种尝试，让 mAP 涨了近 4 个点。

2. 引入 Anchor Box

YOLOv1 最终是通过全连接网络直接预测目标位置。

另外一个优秀的目标检测模型 Fast R-CNN 是通过 Anchor Box 的形式。

两种方法相比，Anchor Box 更容易学习，因为它是通过手选的，然后通过 RPN(Region Proposal Network) 全卷积层预测每一个位置相对于 Anchor Box 的偏移和置信度。

所以，YOLO 作者把 YOLOv1 进行了改造：

• 最后的全连接层去掉了
• 用 Anchor Box 预测 b-box
• 移除一个 pool 层，使得卷积层输出更高分辨率
• 缩放网络使其能够接受 416x416 的分辨率，目的是最终生成的 featuremap 只有一个中心 cell，方便定位。
• 将分类和空间检测解耦，跟随 YOLOv1 的思路，预测每一个 anchor box 的对象 objectness 分数，这个是 anchor box 和 groundtruth 的 IOU 分数，也是一个条件概率，针对的是某个 cell 中有无对象时的概率取值。

在论文中，作者花了很长的篇幅讲解 anchor box 相关。

引入 anchor box 后，YOLO 模型的 accuracy 发生了些许下降。

未引入 anchor box 时，YOLO 预测 98 个 bbox，引入后，总共预测的 bbox 能多达 1000 多个

@无anchor box     @Acc=69.5 mAP  @Recall = 81%

@有anchor box   @Acc = 69.2 mAP   @Recall = 88%

相比于精度的少许损失，召回率提升明显，文章开头说 YOLOv2 的改良有个目标就是提高召回率，而 Anchor BOX 的引入确实起了很明显的效果。

3. 尺寸聚类

在引入 Anchor BOX 到 YOLO 的过程，遇到了 2 个问题。

第一个问题就是 Anchor BOX 的尺寸是手选的。

虽然网络可以渐进学习，但是如果一开始的时候就分配好合理的先验尺寸，那么这无疑会加快学习的速度。

相比于人为指定 anchor box 的尺寸比例，YOLO 作者想到了一个自动化的手段，那就是选择 k-means 聚类手段。

在数据训练集中运行 k-means 算法，可以得到 k 个尺寸比例。

但 K 如何取值呢？

作者不是乱取的，有做很详细的对比实验。

可以看到，k 从 1 到 15 都有做过测试，最终选择了 k=5，选择 5 的原因是在模型复杂度和召回率之间过一个平衡。

经实验，效果很不错，聚类出来的 anchor box 尺寸如下图所示：

聚类选择出来的尺寸没有很短和宽的尺寸，偏向于高且瘦的尺寸。

最后，作为聚类算法，距离的度量非常重要。

YOLOv2 没有采用标准的欧式距离作为度量。

欧式距离为什么不好呢？

因为 YOLO 作者发现，大尺寸的 bbox 更容易出现定位错误，所以作者想找一个尺寸独立的距离度量，它想到了 IOU, IOU 本身就是一个比例重合的关系。
d ( b b o x , c e n t r o i d ) = 1