yolo-v2
YOLO9000_ Better, Faster, Stronger
一. 几点改进。
1.Batch normalization
把神经元的输出减去均值除以标准差,将神经元的输出集中到0附近。帮助正则化模型,防止过拟合。对每一个神经元的输出进行标准化而不是每一层。
2.Anchor
Dimension Clusters
Direct location prediction
每个grid cell产生五个Anchor
3.Dimension Clusters -数据集标注框长宽聚类
4.Fine-Grained Features 细粒度特征
YOLOv2引入一种称为passthrough层的方法在特征图中保留一些细节信息,如图所示:将最后一个Pooling层之前的高分辨率特征图(26✖26✖512)通过passthrough layer拆分成(4✖13✖13✖512),并与低分辨率特征图(13✖13✖1024)进行融合,得到13✖13✖3072大小的特征图
5.Multi-Scale Training 多尺度训练
在YOLOv2中没有全连接层,只有卷积层和池化层,因此模型可以接受任意尺寸的输入。作者采用不同size的样本来训练网络。具体做法为:训练过程中每间隔一定的iterations之后改变模型的输入图片大小