目录
Yolo v2改进
yolo v2 VS yolo v1:
1、引入BP层
2、更高精度的分类器
3、引入anchor
定义:
anchor:预设好的虚拟边框(virtual bounding box)
生成框由anchor回归而来。
目的:
让生成的预测框一步步迭代到靠近真实框的位置。
(回归(regression):使预测值一步步趋向目标值)
得到生成框的过程:(anchor一步步回归)
anchor理解:
:预测框(由anchor回归得到)
:anchor
:真实物体框
目标:
希望 anchor 趋于 truth,但由于anchor生成predict,所以希望predict趋于truth。所以我们希望(predict - anchor) 趋于 (truth - anchor)(补偿),即
。
关键理解:
:分别为predict的x、y、w、h的补偿。
:分别为truth的x、y、w、h的补偿。
anchor的设置:
人为地定义一系列位置,在这些位置上生成不同形状的anchor,在这些不同形状的anchor中,找到最像物体的anchor去预测物体。
为什么要设置anchor?
如果没有anchor,回归到一个特定的位置时需要从无穷处开始;而有了anchor之后,可以从有穷且像物体的地方进行回归,可以提高算法精度。
归一化:
归一化到0~13(特征图大小):
获取相对于单个cell的位置:
例如:9.6 - 9 = 0.6 (相对于第九个单元格,在0.6处位置)
相对于单元格归一化:
:sigmoid函数,把结果归一化到0~1。
4、细粒度特征
大图变小图。
5、多尺度
有了全连接层,网络的大小会被定型,且全连接层数据量太大。