CV-笔记-重读YOLO目标检测系列 v2

哎，看下来 yolo v1 v2总感觉作者写文章一般般，写的不清晰。yolo v2确实复杂！

anchor尺寸设置

不像Faster R-CNN里面一样使用手动设置anchor的尺寸，这里使用k-means来进行聚类，例如我们要五种类型的anchor，那么就聚为5类，那么聚类中心的尺寸就是我们的anchor尺寸。

但是这里的聚类距离选择的不是欧式距离，而是1-IOU(box, centroid)作为距离度量函数。这里说明一下怎么聚类，因为一个anchor是有两个值（RPN中提到的），一个是像素个数，还有一个长宽比，所以这里应该将长宽的大小作为聚类特征（因为长宽大小就决定了有多少像素和长宽比了），论文中说在做目标检测的时候主要是想要一个较高的IOU，但是k-means在聚类的时候是计算一个较近的距离，所以这里是1减去IOU（因为iou越大，1减去iou就越小了）。所以这里用1-IOU衡量，那怎么计算iou呢，我们可以假设box的中心点是（0，0），因为是对现在所有的目标的box进行聚类找出我们的anchor的尺寸，所以我们的数据就是所有目标的box的长宽，然后假设中心点是（0，0），这样我们就可以计算两个box之间的iou了。

其实RPN中是想要多种尺寸的anchor，也就是不同长宽的box，但不是说一定要像RPN中说的一样要指定几种面积，然后每种面积有几种长宽比。所以YOLO V2中就使用聚类来得到不同长宽的anchor（box）。

label制作

置信度：应该也是一个1和0，落在网格里面就是算有目标，这个和RPN不一样，RPN是通过iou计算正负样本的，这里是看是不是落在网格里面，如果不是这个区别那么就变成了普通的RPN了。原文：The network predicts 5 coordinates for each bounding box, t x , t y , t w , t h , and t o 。to就是置信度。

但是，需要注意的是，每个cell中实际上有5个anchor，并不是每个anchor的会预测这个物体，我们只会选择一个长宽和这个bbox最匹配的anchor来负责预测这个物体。那么什么叫长宽最为匹配？这个实际上就是将anchor移动到图像的右上角，bbox也移动到图像的左上角，然后去计算它们的iou，iou最大的其中一个anchor负责预测这个物体。这点和RPN中不一样，RPN只需要iou符合大于某个阈值就可以了。感觉yolo复杂多了。

和RPN还有个不同的是，RPN的是目标和不是目标是两个神经元预测，也就是softmax，这里是一个预测 sigmoid。

在RPN 里面中心点的是回归一个相对于宽高的偏移量，即：

原文中符号写错了：

这样回归其实是有缺点的，这个公式回归出来的中心点是不受约束的，它的活动范围是全图，可以想象其实我们回归出t以后然后计算出的x,y的值可以是图像中的任意位置，在随机初始化的情况下，模型需要很长时间才能稳定地预测出合理的偏移量。

所以yolo v2就把关键点回归约束在网格之内，是相对于网格左上角的一个偏移量，这样归一化以后的偏移量就是在0到1之间。这样回归会更加稳定。
即tx = bx - cx, ty = by - cy，

距离如下图所示，那个对t做变换的参数不用管他，只是为了说明最好是加sigmoid的激活的， σ是sigmoid函数，也就是为了约束到0到1之间。实际上做数据的时候就是转换成t就可以了。

宽高和RPN一样：

输入图像的大小

为了使得目标占很大，或者是中心点在图的中间的目标在预测的适合更加准确，所以最好让输出的特征图的像素是个奇数，也就是说把图像隔成奇数个网格，这样就不会像偶数格一样把图像中心分成两部分了，大家可以想象一下3格和4格的区别，4格就把图的中心分割成一半了，如果目标中心点正好在中心区域的周围，那么偏移一点误差也很大了。

其他一些加入的改进

1. 加入了一个不同层特征的融合。concat连接
2. 多尺度训练，Every 10 batches our network randomly chooses a new image dimension size. Since our model downsamples by a factor of 32, we pull from the following multiples of 32: {320, 352, …, 608}. Thus the smallest option is 320 × 320 and the largest is 608 × 608. We resize the network to that dimension and continue training.

网络

主干网络使用了darknet-19，因为文章说vgg16虽然效果精度高，但是计算量大。darknet-19是使用1x1来减少计算量，就是bottleneck。网络如下：

网上的图：

这是在imagenet上进行预训练的结构，训练检测的时候去掉最后一个卷积层，然后增加一个3x3的卷积层和一个1x1的卷积层。原文：We modify this network for detection by removing the last convolutional layer and instead adding on three 3 × 3 convolutional layers with 1024 filters each followed by a final 1 × 1 convolutional layer with the number of outputs we need for detection。

并且，还增加了一个从最后的3×3×512层到第二个到最后一个卷积层的透传层，这样我们的模型可以使用细粒度的特征。原文（看的不是很清晰）：We also add a passthrough layer from the final 3 × 3 × 512 layer to the second to last convolutional layer so that our model can use fine grain features.

anchor的个数也是通过实验选择出来的。最后选择了5性价比比较高，越多效果越好。

网络的预测输出

其实每个anchor都是预测：4个（坐标值）+1个（置信度）+ n个类别：

对比YOLO1的输出张量，YOLO2的主要变化就是会输出5个先验框，且每个先验框都会尝试预测一个对象。输出的 13*13*5*25 张量中，25维向量包含 20个对象的分类概率+4个边框坐标+1个边框置信度。

损失函数

？？？？？？what？
文章中居然没说用什么loss？？？， 难道用的是smooth L1，还是yolo中的loss？？
应该是结合吧，既然预测宽和高用的是RPN的，预测中心点用的是yolo，预测有没有目标也是yolo的。那么应该就是结合一下了，宽高用smooth L1， 中心点用均方差，有没有目标（置信度）用均方差以上只是猜测，具体看代码。

重温yolo v2 - stone的文章 - 知乎https://zhuanlan.zhihu.com/p/40659490 中的图：

卧槽 差点被坑了，文章中是把网络输出换算成x，y，w，h之后才进行计算loss的。不是直接回归t。RPN中是回归t的。

训练参数，学习率

• 学习率：train the network for 160 epochs with a starting learning rate of 10−3 , dividing it by 10 at 60 and 90 epochs.
• sgd：We use a weight decay of 0.0005 and momentum of 0.9.
• 数据增强：We use a similar data augmentation to YOLO and SSD with random crops, color shifting, etc

实验结果

分辨率越高效果越好：

引用

• YOLOv2 / YOLO9000 深入理解 - X-猪的文章 - 知乎https://zhuanlan.zhihu.com/p/47575929
• 重温yolo v2 - stone的文章 - 知乎https://zhuanlan.zhihu.com/p/40659490