【没有哪个港口是永远的停留~论文解读】YOLO v2

YOLO v2哪些部分进行了升级

如表中所示

BN层的添加

理论： 批归一化导致收敛的显著改善，同时消除了对其他形式正则化[7]的需求。

实践：通过在YOLO中的所有卷积层上添加批归一化，我们在mAP中得到了2%以上的提高。  批规范化也有助于模型的规范化。 通过批处理归一化，我们可以从模型中删除dropout,且不会过拟合。

 

High Resolution Classififier

理论：所有最先进的检测方法都使用在Image Net[16]上预先训练的分类器。 从AlexNet开始，大多数分类器对小于256×256[8]的输入图像进行操作。提升分辨率使网络有时间调整其 filters ，以更好地工作在更高分辨率的输入。

 

实践： 对于YOLOv2，我们首先在 ImageNet上以448×448分辨率对分类网络进行了10个 epochs的 fine tune 。 然后，我们对检测结果的网络进行微调。 这个高分辨率的分类网络给了我们 增加了几乎4%的mAP。

 

 

Convolutional With Anchor Boxes

理论： YOLO v1 直接使用卷积特征提取器+全连接层来预测  bounding boxes 的坐标。 仅使用 faster R-CNN 的 RPN 结构预测偏移和  anchor boxes 的置信度。预测偏移量而不是坐标 简化了问题，使网络更容易学习

 

实践：我们从YOLO v1 中移除全连接层，并使用 anchor boxes 来预测 bounding boxes。 首先，我们消除了一个池层，使网络卷积层的输出分辨率更高。 我们还缩小了网络，以操作416个输入图像，而不是448×448。 我们这样做是因为我们想在我们的特征映射中有一个奇数的位置，所以有一个中心单元格。 物体，特别是大的物体，往往占据图像的中心，所以在中心有一个位置来预测这些物体是很好的, YOLO的卷积层将图像降采样为32倍，因此，通过使用416的输入图像，我们得到了13×13的输出特征映射。

当我们移动到  anchor boxes 时，我们还将类预测机制与空间位置解耦，而不是预测每个  anchor boxes 的类和 objectness。  在YOLO之后， objectness 预测仍然预测  ground truth 的IOU，和条件概率

 

使用  anchor boxes ，我们得到了一个小的精度下降。 YOLO只预测每幅图像98个boxs，但是有了  anchor boxes ，我们的模型预测了一千多个。 没有  anchor boxes ，我们的中间模式我得到69.5mAP，召回率为81%。 使用  anchor boxes ，我们的模型获得69.2mAP，召回率为88%。 即使mAP降低，召回的增加意味着我们的模型有更多的改进空间

 

 

Dimension Clusters

理论：当使用  anchor boxes 与YOLO时，我们遇到两个问题。 首先是boxs尺寸是手工挑选的。 网络可以学会适当地调整box 但是，如果我们为网络选择更好的先验，我们可以使网络更容易地学会预测良好的检测。

 

实践： 我们不通过手工选择先验，而是在训练集  bounding boxes上运行k均值聚类 找到好的先验。如果我们使用标准的k-均值与欧氏距离较大的框比较小的框产生更多的误差。 然而，我们真正想要的是先验，导致良好的 IOU，这是独立的box 的大小。 因此，对于我们的距离度量，我们使用：

 

结果，5个box和9个box,聚类和手动的结果 

Direct location prediction.  

现象： 当使用带有YOLO的anchor boxes时，我们遇到了第二个问题：模型不稳定，特别是在早期迭代期间。 大多数不稳定来自于预测box的(x，y)位置。

模型：

由

变成

意思如图

 

结果，由于我们约束位置预测，参数化更容易学习，使网络更稳定。 使用聚类和直接预测bounding box中心区域  提高了YOLO几乎5%。

Fine-Grained Features

理论：13×13的特征图对大对象足够但是不适应小对象

模型：在13X13前面的26X26层制作类似resnet的结构与13X13链接，取得1%的提高

Multi-Scale Training

理论：不同尺度图像训练可以提高模型鲁棒性

实践：VOC2007的检测框架。 比以往的检测方法更快、更准确。 它还可以以不同的分辨率运行，以便于在速度和精度之间进行权衡。 YOLOv2条目实际上是相同的训练模型，具有相同的权重，只是以不同的大小进行评估。 Geforce GTX TitanX

 

Darknet-19 分类任务

模型：darknet-19（如图） + 批量归一化 + 正则

结果：在Image Net上达到72.9%的top-1精度和91.2%的top-5精度。

详细过程： 我们在标准Image Net1000类分类数据集上对网络进行了160个epochs的训练，使用随机梯度下降，起始学习率为0.1，polynomial rate = 4  ，重量衰减为0.0005，动量衰减为0.9。 在训练中，我们使用标准的数据增强技巧，包括随机作物、旋转和色调 饱和和曝光位移。 正如上面所讨论的，在我们对224×224的图像进行初步训练之后，我们在更大的尺寸，448处对我们的网络进行了微调。对于这种微调，我们用上述参数进行训练，但只有10个epochs，并以10−3的学习率开始。 在这种更高的分辨率下，我们的网络达到了76.5%的top-1精度, top-5精度为93.3%

Darknet-19 检测任务

 

模型：如图

实践： 我们训练网络 160个epochs，起始 学习率为10−3，在 60和90个epochs将其除以10,我们使用的重量衰减 为0.0005，动量为0.9。 数据增强。

 

一些骚操作

目标检测和分类数据集混合训练

做法： 当我们的网络看到标记为检测的图像时，我们可以根据完整的YOLOv2丢失函数反向传播。

 当它看到分类图像时，我们只会从体系结构的特定分类部分反向传播损失。

 

 

 

 

Hierarchical classification分级分类

做法：如图，分级分类方式把标签转化为树形结构

 

以狗为例

 

Pr(狗A|狗)

Pr(狗B|狗)

Pr(狗C|狗)

某个目标是A的概率可以由以下计算得来

P(狗A) = Pr(狗A | 狗)*Pr(狗 | 哺乳动物)*Pr(哺乳动物 | ... ... ) * ... ...*Pr(动物 | 物)

 

  实践：为了验证这种方法，我们在使用1000类Image Net构建的Word树上训练Darknet-19模型。 为了构建Word Tree1k，我们添加了所有扩展标签空间的中间节点 1000到1369。 在训练过程中，这样如果一个图像被 标记为“狗A”，它也会被 标记为“狗”和“哺乳动物”等。也就是多分类问题。 去计算 条件概率，我们的模型预测了一个1369个值的向量 。 最后一层网络如图所示

使用与以前相同的训练参数，我们的分层Darknet-19达到71.9%的top-1精度和90.4%的top-5精度。 尽管增加了369个额外的输出，我们的精度只略有下降。 以这种方式进行分类也有一些好处。 性能在新的或未知的对象类别上优雅地下降。 例如，  如果网络看到一只狗的图片，但不确定它是哪种类型的狗，它仍然会以很高的信心预测“狗”，但在下义词之间传播的信心较低

 

-----------------------end