YOLO V2详解

论文地址: YOLO9000: Better, Faster, Stronger

如果对 YOLO 没有概念的朋友，可以先看看YOLO V1 的思路。

在YOLO v1 之后，深度学习出现了许多trick，例如batch Normalization , 多尺度训练等，为了提高检测精度，v2也借鉴 RCNN 体系的anchor box。

Better：

1、加入BN

Batch Normalization（批归一化）map 提升 2%
BN 已经成为一种标配，加入BN 后，可以去掉 dropout。

2、高分辨率预训练

High Resolution Classifier map 提升 %4

3、 Convolutional With Anchor Boxes

在v1上与groundtrue 最接近的框生成loss ,另一个框不做修正，这样两个框在大小，类别上有了分工。但是在全图上直接预测W,H对网络来说难度大，所以回归精度差。所以在V2 上预测 与anchor 的offset。

每个格点指定n个anchor，训练时，最接近ground true 的框产生loss,其余的框不产生loss。引入anchor 后，map 略有下降，但是召回率大幅提升。因为每个格子能预测的物体数增加了。

4、anchor 通过k-mean聚类生成

这是一个创新点。k-mean 需要预设聚类类别数，比如要生成9种anchor , 那k = 9 。而在 rcnn 种anchor 是通过三种宽高比1:1，2:1，1:2组合得到。

定义聚类类点（矩形框（w，h）,于中心点无关）距离：
假设所有框的中心点都为（0，0）。分别计算矩形框(wj,hj)与每个类别中心（wci,hci）的距离，距离越小，则矩形框就属于这个类别，同时更新类别中心（wci,hci）。

5、位置预测

Yolo中的位置预测，就是相对于左上角的格点坐标预测偏移量。

其中， tx, ty 是学习参数，xa,ya,wa,ha是先验框anchor的值（初始化已知）。x, y是预测框中心。

作者在引入anchor box的时候遇到的第二个问题：模型不稳定，尤其是在训练刚开始的时候。作者认为这种不稳定主要来自预测box的(x,y)值。我们知道在基于region proposal的object detection算法中，是通过预测下图中的tx和ty来得到(x,y)值，也就是预测的是offset。而作者在此是直接预测（x,y）坐标。

由于 tx,ty不受限制，预测框中心可能会出现任何位置，导致早期训练阶段极其不稳定。而我们知道，其实预测框中心可以只由其左上角的anchor负责预测即可，因此可以将预测值限制在0-1（sigmoid解决），充分利用了网格的特点。因此调整预测公式：

其中，网络预测值 （tx,ty,tw,th）, to）**其中anchor 先验值为（cx,cy,pw,ph）**已经是归一化到特征图上。

深度网络学习的目标越明确，任务越简单，则最终学习到的效果就会越好，学习的精度越高。不做任何限制的学习是不明智的，会使得网络丧失学习最优方向。

(Cx,Cy)为当前grid cell相对于图像的左上角的距离，以grid cell为单位，则当前cell的左上角坐标为(1,1);pw,ph为为先验框的宽和高,其值也是相对于特征图的大小，在特征都中每个cell的大小为1。这里记特征图的大小为(W,H)（YOLO V2为(13,13)，这样就可以将边框相对于图像的大小和位置计算出来：

在将上面得到的bx,by,bw,bH
乘以图像的宽和高（像素为单位）就可以求得边框在图像的位置。

6、passthrough层检测细粒度特征

map 提升 1%。

对象检测面临的一个问题是图像中对象会有大有小，输入图像经过多层网络提取特征，最后输出的特征图中（比如YOLO2中输入416416经过卷积网络下采样最后输出是1313），较小的对象可能特征已经不明显甚至被忽略掉了。为了更好的检测出一些比较小的对象，最后输出的特征图需要保留一些更细节的信息。

YOLO2引入一种称为passthrough层的方法在特征图中保留一些细节信息。具体来说，就是在最后一个pooling之前，特征图的大小是2626512，将其1拆4，直接传递（passthrough）到pooling后（并且又经过一组卷积）的特征图，两者叠加到一起作为输出的特征图。
图中示例的是1个44拆成4个22：

7、多尺度训练

mAP有1.4%的提升。

因为整个网络下采样倍数是32，作者采用了{320,352,…,608}等10种输入图像的尺寸，这些尺寸的输入图像对应输出的特征图宽和高是{10,11,…19}。训练时每10个batch就随机更换一种尺寸，使网络能够适应各种大小的对象检测。

8、hi-reslution detector

如果用较高分辨率的输入图像，比如544*544，则mAP可以达到78.6，有1.8的提升

速度更快（Faster）

YOLO2提出了Darknet-19（有19个卷积层和5个MaxPooling层）网络结构。DarkNet-19比VGG-16小一些，精度不弱于VGG-16，但浮点运算量减少到约1/5，以保证更快的运算速度。

loss

误差依然包括边框位置误差、置信度误差、对象分类误差。

公式中：

预测边框中，与真实对象边框IOU最大的那个，其IOU<阈值Thresh，此系数为1，即计入误差，否则为0，不计入误差。YOLO2使用Thresh=0.6。

前128000次迭代计入误差。注意这里是与先验框的误差，而不是与真实对象边框的误差。可能是为了在训练早期使模型更快学会先预测先验框的位置。

一个边框负责预测一个真实对象（边框内有对象）。

不同类型误差的调节系数不同。