YOLO V2详解

最新推荐文章于 2024-09-05 16:28:50 发布

樱花的浪漫

最新推荐文章于 2024-09-05 16:28:50 发布

阅读量778

点赞数

分类专栏：目标检测文章标签：深度学习目标检测 cnn 计算机视觉

本文链接：https://blog.csdn.net/qq_52053775/article/details/125998768

版权

目标检测专栏收录该内容

45 篇文章 33 订阅

订阅专栏

YOLOv2在YOLO的基础上进行了多项改进，包括引入批次归一化提高模型泛化能力，使用高分辨率训练集提升检测效果，采用基于锚点的策略改进目标检测，结合浅层细节特征提升多尺度目标检测能力，并通过多尺度图像训练优化网络对不同大小目标的检测。这些改进显著提高了模型的精度和适应性。

摘要由CSDN通过智能技术生成

1.批次归一化

YOLO第二版在训练时使用的是批次归一化(Batch Normalization)方法，能够更好地增加模型的泛化能力，在PASCO VOC数据集上，不改变网络结构的前提下，mAP有了2%的提升。另外，使用了批量归一化方法之后，可以去掉YOLO第一版使用的dropout方法。

2.使用高分辨率训练集

YOLO第二版训练时，使用了更高分辨率的数据。YOLO第一版首先基于224×224的分类数据集训练前面的卷积层，然后在448×448的检测数据集上训练整个检测网络，两次训练数据的分辨率存在差距，使得模型不容易达到最优的效果。YOLO第二版为了克服这个问题在224×224的分类数据集训练前的卷积层之后，基于448×448的分类数据进行了若干轮迭代训练，使得网络更加适配高分辨率的数据，之后，在分辨率为448×448的检测数据集上训练整个检测网络。通过这样的训练策略，模型的mAP有了4%的提升。

3.基于锚

YOLO第二版相对于第一版另一个重要的改进就是使用了锚。类似FasterR-CNN中的RPN网络，基于锚的网络是全卷积的，其原理就是在前面若干卷积层提取的特征图上，用一个小卷积网络在每个位置上进行滑动，在特征图每个位置上回归目标参数。在YOLO第二版中，去掉了第一版最后的两个卷积层以及一个池化层，并添加了用于在每个特征图的子块上进行预测的卷积层，整个网络变成全卷积结构。因为采用的是全卷积网络，所以不受输入图像尺寸的限制，对于一些大的目标，很大概率其居于图像中心的位置，如果用于回归的特征图的子块维度为奇数，则目标的中心大概率会落在中心的子块，相比子块维度为偶数时目标中心落在周围的子块的情况，目标中心落在中心子块时错与目标更容易匹配。因此YOLO第二版中对输入图像的尺寸做了一点修改，由448×448缩减到416×416，这样经过前面的卷积层，图像经过32倍的下采样，生成的特征图尺寸为13×13，行列均为奇数，即大目标的中心大概率会落在中间的特征子块中，更有助于进行目标的预测。
Faster R-CNN使用的锚完全是手工设计的，YOLO第二版做了进一步改进，通过k-means算法，在训练集中对anchor的位置和形状进行了聚类。用box表示图像上任意一个框，centroid表示k-means聚类中心anchor(也是一个框)，定义两者的距离为
d(box,centroid)=1-IoU(box,centroid)
选择的聚类中心(这里就是错)越多，能够匹配的目标框就越多，但计算过程也会越复杂。一般通过统计，会选取一个匹配度和计算复杂度较好的折中。如图10-3所示，通过分析，选择了5个锚。这种情况下，特征图上的每个位置会回归(4+1+20)×5个参数，表示5个锚，每个锚需要回归4个位置坐标、1个框置信度，以及20个分类概率。

为了训练过程更加稳定，YOLO第二版限制了要预测的目标框的位置，如图
10-4所示，目标的中心点被限制在当前子块内，通过预测目标框的宽和高与错的宽
和高的比例，获取目标框的位置，计算公式如下。

整个图像基于子块的宽和高进行了归一化处理，最终子块的宽和高都为1。tx、ty、tw、th。是需要回归的参数，bx、by，bw、bh，分别表示整幅图像归一化后目标框的中心点坐标以及宽和高，Pw、Ph分别表示整幅图像归一化后错的宽和高。其中为sigmoid函数，将 $\sigma (t_{x}),\sigma (t_{y})$ 约束在(0，1)内。 $\sigma (t_{x}),\sigma (t_{y})$ 给出了预测框相对于子块左上角(Cx，Cy)的归一化偏移量， $\sigma (t_{\sigma})$ 给出了预测框的置信度。因为对所预测的目标框中心点位置范围进行了限制，所以模型优化的过程变得更加稳定且更容易学习。
值得注意的是，YOLO第二项使用了基于锚的方法，每个锚都分别回归各自框的坐标和分类概率，本质上就去掉了YOLO第一版中一个子块只包含一个目标的默认假设，从而针对密集小目标的场景增加了适应能力。使用锚策略，和YOLO第一版相比显著增加了预测框的数量，使得算法对目标召回更加有利。

4.使用浅层细节特征

YOLO使用最上层13×13的特征图进行且标预测，因为顶层的特征图具有较大的感受野，所以有利于对大目标进行预测，但同时，也会因为使用的都是整体特征，所以对细节和小目标的预测性造成影响。为了提升多尺度目标的检测能力，FasterR-CNN采取的策略是在不同尺度的特征图上设计锚，YOLO则另辟蹊径，把深层特征和浅层特征进行级联，使得新的特征图同时具有深层特征和浅层特征的表达能力。顶层特征图的尺寸为13×13—其前面一层特征图的尺寸为26×26，将26×26的特征图按照奇数行列和偶数行列进行拆分，变成4个13×13的特征图并依次摞在原始的顶层13×13的特征图上，则新的特征图尺寸仍然保持13×13，通道数为原顶层13×13特征图通道数+4×原26×26特征图的通道数。
基于新的特征图进行预测，mAP有了1%的提升。