Yolo（2）Yolo v2

目录

Yolo v2改进

1、引入BP层

2、更高精度的分类器

3、引入anchor 

定义：

anchor理解：

目标：

4、细粒度特征

5、多尺度

---

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。