YOLO v2原理解析

      YOLO v2是YOLO v1的一个升级版本,使其变的Better，Faster，Stronger,下面我从Better和Faster两个角度来说明一下(Stronger部分没看懂).对YOLO v1不了解的可以参考我之前的博客YOLO v1原理解析

Better

        YOLO有两个缺点：一个缺点在于定位不准确，另一个缺点在于和基于region proposal的方法相比召回率较低,为了解决这两个问题,YOLO v2使用了很多trick,下面来一一说明

• Batch Normalization

      相信大家对BN已经很熟悉了,如今BN已经成了网络的一个固有部分,但是在当时这个是才提出的新trick,YOLO v2加入BN后就把dropout去掉

• High Resolution Classifier

      YOLOv2将预训练分成两步：先用224*224的输入从头开始训练网络，大概160个epoch,然后再将输入调整到448*448，再训练10个epoch(注意这两步都是在ImageNet数据集上操作)。最后再在检测的数据集上fine-tuning，也就是detection的时候用448*448的图像作为输入就可以顺利过渡了。

• Convolutional With Anchor Boxes

       YOLOv2用卷积层代替了全连接层,并引入了anchor(这个后面会说),作者的实验证明：虽然加入anchor使得MAP值下降了一点（69.5降到69.2），但是提高了recall（81%提高到88%）

• Dimension Clusters

       采用k-means的方式对训练集的bounding boxes做聚类，试图找到合适的anchor box,作者发现如果采用标准的k-means（即用欧式距离来衡量差异），在box的尺寸比较大的时候其误差也更大，而我们希望的是误差和box的尺寸没有太大关系。所以通过IOU定义了如下的距离函数，使得误差和box的大小无关：

                                   

       聚类发现结果中多是高瘦的box，而矮胖的box数量较少,最终选了5个anchor(如下图所示)

                                                 

• Direct Location prediction

       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。另外关于文中的这个公式，个人认为应该把后面的减号改成加号，这样才能符合公式下面的example。这里xa和ya是anchor的坐标，wa和ha是anchor的size，x和y是坐标的预测值，tx和ty是偏移量。文中还特地举了一个例子：A prediction of tx = 1 would shift the box to the right by the width of the anchor box, a prediction of tx = -1 would shift it to the left by the same amount.

                                             

        在这里作者并没有采用直接预测offset的方法，还是沿用了YOLO算法中直接预测相对于grid cell的坐标位置的方式。
前面提到网络在最后一个卷积层输出13*13大小的feature map，然后每个cell预测5个bounding box，然后每个bounding box预测5个值：tx，ty，tw，th和to（这里的to类似YOLOv1中的confidence）。看下图，tx和ty经过sigmoid函数处理后范围在0到1之间，这样的归一化处理也使得模型训练更加稳定；cx和cy表示一个cell和图像左上角的横纵距离；pw和ph表示bounding box的宽高，这样bx和by就是cx和cy这个cell附近的anchor来预测tx和ty得到的结果。

                                               
       如下图所示,首先是cx和cy，表示grid cell与图像左上角的横纵坐标距离，黑色虚线框是bounding box，蓝色矩形框就是预测的结果。

                                                  

• Fine-Grained Features

       主要是添加了一个层：passthrough layer。这个层的作用就是将前面一层的26*26的feature map和本层的13*13的feature map进行连接，有点像ResNet。这样做的原因在于虽然13*13的feature map对于预测大的object以及足够了，但是对于预测小的object就不一定有效。也容易理解，越小的object，经过层层卷积和pooling，可能到最后都不见了，所以通过合并前一层的size大一点的feature map，可以有效检测小的object。

• Multi-Scale Training

       为了让YOLOv2模型更加robust，作者引入了Muinti-Scale Training，简单讲就是在训练时输入图像的size是动态变化的，注意这一步是在检测数据集上fine tune时候采用的，不要跟前面在Imagenet数据集上的两步预训练分类模型混淆,这种网络训练方式使得相同网络可以对不同分辨率的图像做detection

一张表总结各trick对mAPD贡献:

       从第四行可以看出，anchor机制只是试验性在yolo_v2上铺设，一旦有了dimension priors就把anchor抛弃了。最后达到78.6mAP的成熟模型上也没用anchor boxes。

Faster

       在YOLO v2中，作者采用了新的分类模型作为基础网络，那就是Darknet-19,这个网络在ImageNet上取得了top-5的91.2%的准确率