YOLOV2

YOLOV2

---

YOLO v1缺点：

• 定位不准确
• 比选择性搜索区域提取（region proposal）的方法召回率较低

---

YOLO v2网络结构：

---

YOLO v2对v1的改进：

• 对网络每一层的输出添加（Batch Normalization），即对输出做归一化。这样，输出被划分到 [0，1] 闭区间。不需要每层学习数据的分布，收敛速度加快。并且，解放了dropout，使mAP值提升。
• 预训练阶段v1使用224*224的imageNet数据集进行，然后检测阶段换了分辨率为448*448；这需要网络对尺寸的变换进行适应，可能会导致变换过程中权值更新不完全，降低检测时的mAP值；v2在224*224上预训练，又使用448*448进行适应性训练，最后使用448*448进行测试，能够缓解这一问题的发生。前两步均在ImageNet数据集上进行，后一步在自己的数据集上进行。
• 将Darknet-19网络的全连接层和最后一个pooling层去掉，使得最后的卷积层可以有更高分辨率的特征。416*416代替原来448*448，最终输入变成13*13大小的feature map输出。每个grid cell 给定 9 个框，由v1的7*7*2（30维向量中的前10个特征）变为13*13*9。如下图，这样可以提高定位准确性。

                                                       darknet-19网络模型

• 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，发现仅选取5种box就能达到Faster RCNN的9中box的效果。
• 每个bounding box预测5个值：x，y，w，h和o。x，y使用sigmoid函数进行归一化到（0，1）之间，这样处理使得模型训练更加稳定；计算方式如下图：

• 添加一个 passthrough layer 层。即将前面一层的26*26的feature map和本层的13*13的feature map进行连接，有点像ResNet。经过层层卷积和pooling，小的object可能到最后都不见了，通过连接可以有效检测小的object。
• 进行多尺度训练，在训练时，每训练10个batch，网络就会随机选择{320,352,…,608}中的另一种size的输入。size为32的倍数。这使得该网络可以检测不同尺寸的图像。

---

实验数据：

---

YOLO v2源码链接：

• tensorflow源码

• Caffe源码

---

yolo v2网络结构图来源于：https://blog.csdn.net/mieleizhi0522/article/details/79887066，可以参考这篇更详细的介绍。