【目标检测】YOLO-v2

论文链接

YOLO v2

YOLOv2相比于YOLO，精度更高，速度更快，预测类别更多。

1 精度改善

在YOLO的基础上，作出不同的改进，检测精度的变化如下表所示。

以下逐一介绍。

Batch Normalization

在卷积层后面增加BN，加速了模型的收敛，并且能在移除Droupout的情况下保证模型不会过拟合。mAP提升了2%

High Resolution Calssifier

原来YOLO用224×224的图像在ImageNet上训练分类网络，在训练整个网络的时候，放大图片到448×448，由于预训练的图像大小和训练检测网络时图像大小不一致，导致预训练好的网络要适应新的分辨率。

YOLOv2先用224×224的图像在ImageNet上训练好之后，再用448*448的图像训练10个epoch。然后在用于训练检测网络。mAP提高了约4%。

Convolutional With Anchor Boxes

Bounding box实际上的形状和大小是有一定规律的，并非随意。比如说车是偏方形，人是偏瘦高的。因此，认为地初设Anchor boxes大小，再预测偏移值，能使训练更为稳定。

因此对网络做了如下的变化：

• 移除YOLOv1后面的全连接层
• 将对类别的预测从附属于网格层面变到附属于Bounding box。原来的Bounding Box只预测5个参数（x,y,w,h,confidence），现在变成5个参数和20个类别概率共计25个参数。每个网格设置5个anchor，因此每个网格设置的参数是25*5=125个。
• 现在网络的输出应该是7×7×125。将最后的卷积层换成3个卷积层，最后再增加一个1×1的卷积网络将7×7×1024转化成7×7×125。
• 把输入从448×448变成416×416，使得输出特征图的大小为奇数。因为图像中心点经常被一个大物体占据，如果是偶数，比较不好确定它是属于哪个网格。
  
• 移除了一个池化层，使得输出特征图大小为13×13

使用Anchor boxes虽然使得mAP有轻微的下降，但是在召回率上提高了7%。

Dimension Clusters

对数据集中物体的边框进行聚类，确定常见边框的类别，相比于手动设计anchor的尺寸，聚类的结果更有利于模型的训练与预测。距离度量的方式是$d(\text{ box, centroid })=1-\mathrm{I}\mathrm{O}\mathrm{U}(\mathrm{b}\mathrm{o}\mathrm{x},\text{ centroid })$, centroid是聚类中心点的边框。最后确定使用5种anchor。

Direct location prediction

对边框位置的预测如果不加约束，容易导致网络训练前期不稳定。例如RPN网络中预测框体的位置(x,y)与网络输出值$t_x,t_y$的关系为：$x=\left(t_x\ast w_a\right)-x_a，y=\left(t_y\ast h_a\right)-y_a$，$w_a,h_a$分别是anchor的宽和高，随着预测值的不同，x、y的取值可以是图片上任何一个位置，不易于训练。

同YOLOv1一样，预测的是bounding box在网格中的相对位置，即0-1之间，为了实现该目的，采用sigmoid函数对输出结果进行约束。
$$\begin{array}{rl}{b}_x& =\sigma \left(t_x\right)+c_x\\ b_y& =\sigma \left(t_y\right)+c_y\\ b_w& =p_w{e}^{t_w}\\ b_h& =p_h{e}^{t_h}\end{array}$$

• $c_x，c_y$是网格到图片左上角的距离（根据图片大小归一化）
• $t_x,t_y,t_w,t_h$是模型的输出值
• $b_x,b_y,b_w,b_h$是预测bounding box的值
• $p_w,p_h$是anchor的宽和高，也是经过归一化

Fine-Grained Features

利用较浅层的特征图，结合深层的特征图作出预测。

将26×26×512拆分成13×13×2048.拆分方式如下图（说不清楚只能画图了）

Multi-Scale Training

由于没有全连接层，因此YOLOv2可以接受不同大小的图片输入。只要保证图片尺寸能被32整除即可。

2. 速度更快

作者使用了DarkNet-19作为基础网络，在保证精度的前提下，减小了模型的计算量，加快了速度。

3. 更猛！预测9000类

后续再补充！