【论文阅读】yolo系列（二）yolov2

时间来到yolo发布的几年后，我们可以看到yolo实际上是一个比较稚嫩的模型，每张图片划分了7X7的cell来预测98个bbox显然对于当今的计算机视觉目标识别是远远不够的。
而时间过去，深度学习领域出现了许多的tricks来提升网络性能，yolov2就是在这样的背景下诞生的。
yolov2是一篇比较偏向于工程类的文章，从他的身上我们可以看到许多其他论文的身影， 当然也可以学习到不少新的tricks。
我主要讲一下我觉得比较新颖的可以借鉴学习的一些方法：

1. anchor boxes代替全连接层

YOLOv2借鉴了Faster R-CNN中RPN网络的先验框（anchor boxes，prior boxes，SSD也采用了先验框）策略。RPN对CNN特征提取器得到的特征图（feature map）进行卷积来预测每个位置的边界框以及置信度（是否含有物体），并且各个位置设置不同尺度和比例的先验框，所以RPN预测的是边界框相对于先验框的offsets值。这部分可以参考RCNN论文。

2. kmeans聚类得到先验anchor boxes
这部分我写了文章，详情可见：
https://blog.csdn.net/hgj1h/article/details/121422788

3. Direct location prediction
作者引入了sigmod函数处理使得预测边界框的中心位置会约束在当前cell内部。

4. Fine-Grained Features
   也是一个很有意思的操作。YOLOv2的输入图片大小为 [公式] ，经过5次maxpooling之后得到 [公式] 大小的特征图，并以此特征图采用卷积做预测。 [公式] 大小的特征图对检测大物体是足够了，但是对于小物体还需要更精细的特征图（Fine-Grained Features）。因此SSD使用了多尺度的特征图来分别检测不同大小的物体，前面更精细的特征图可以用来预测小物体。YOLOv2提出了一种passthrough层来利用更精细的特征图。YOLOv2所利用的Fine-Grained Features是 [公式] 大小的特征图（最后一个maxpooling层的输入），对于Darknet-19模型来说就是大小为 [公式] 的特征图。passthrough层与ResNet网络的shortcut类似，以前面更高分辨率的特征图为输入，然后将其连接到后面的低分辨率特征图上。前面的特征图维度是后面的特征图的2倍，passthrough层抽取前面层的每个 [公式] 的局部区域，然后将其转化为channel维度，对于 [公式] 的特征图，经passthrough层处理之后就变成了 [公式] 的新特征图（特征图大小降低4倍，而channles增加4倍，图6为一个实例），这样就可以与后面的 [公式] 特征图连接在一起形成 [公式] 大小的特征图，然后在此特征图基础上卷积做预测。