YOLOv2 解读：使 YOLO 检测更精准更快，尝试把分类检测数据集结合使用

Title: YOLO9000: Better, Faster, Stronger(2016)
Link: Paper Website
Tips:

1. 检测系统为什么要利用分类数据集 ImageNet（1. Introduction）
2. 理解本文的贡献：两个模型，两个方法（1. Introduction）
3. 学习提升模型性能的方法，这些 idea 也可以用在自己的模型中（2.Better）
4. 为了检测速度提出一个新的网络（3. Faster）
5. 联合训练分类和检测数据的机制（4. Stronger）

Summary:

这篇文章提出的 YOLOv2 是 YOLO 的改进版，它的目的是检测模型更准，更快，鲁棒性更强。

更准→模型的性能更好。作者结合之前的模型改进方法，在模型上加了很多东西，并依次实验效果。

更快→主要考虑网络的收敛速度。作者基于之前的模型提出一个新模型。

更强→检测数据少，分类数据多，那就把两种数据集合并利用，扩大数据范围。作者提出改变数据结构和联合训练的方法，这个需要我们重点理解。

对我们的启示：平常看论文要总结影响网络性能的因素，这些因素可能成为自己模型的 idea，文中的 2 Better 部分很好地表明了这一点。学习联合训练的方法，这是一条新思路。

相关文章：

一文读懂 YOLOv1,v2,v3,v4 发展史
YOLOv1 解读：使用 unified system/ one-stage 实现目标检测
YOLOv3 解读：小改动带来的性能大提升
YOLOv4 解读：CV 同学必读的目标检测技巧大合集

---

Abstract

本文介绍的 YOLO9000 是一个可检测 9000 多个检测类别的先进的实时检测系统。

• YOLOv2 是 YOLO 的改进版本，在 PASCAL VOC 和 COCO 这些标准数据集上表现很好；
• 本文还提出一个可以同时训练检测任务和图像分类的方法（COCO detection dataset + ImageNet classification dataset），通过联合训练（joint train），YOLO9000 可以检测无标记检测数据的物体类别。

1. Introduction

研究现状
神经网络的使用提升了检测框架的速度和准确率，但当前的检测任务受数据集标签的限制（数据集必须有标签或通过分类赋予标签）。但是，标记要检测的图像比标记要分类图像昂贵得多，所以检测数据和分类数据不是一个规模。

解决方法

1. dataset combination method：本文提出的方法可以利用已有的分类数据集扩充检测数系统的范围。我们的方法使用物体分类的分层视图，该视图允许我们将不同的数据集组合在一起。
2. joint training algorithm：本文提出了一种联合训练算法，该算法可以在检测和分类数据上训练目标检测器。 利用标记的检测图像来学习精准定位，同时使用分类图像来增加其“词汇量”和健壮性。

训练流程

1. 在 YOLOv1 的基础上改造产生 YOLOv2；
2. 使用上述提到的数据结合方法和联合训练算法，在 ImageNet 和 COCO 数据集上训练 YOLOv2 模型，训练好的模型叫 YOLO9000（检测类别超过 9000）。

2. Better

与 state-of-the-art detection systems 相比，YOLOv1 的两个缺点是定位（localization）不准和召回率（recall）低，所以我们的目标是保证分类准确率的同时提升定位和召回率情况。

CV领域提升模型性能的常用方法是训练更深的网络和模型融合，但是 YOLOv2 的目标是保证速度的同时提升准确率，所以本文的方法是简化模型，使特征表达更易学习，因此 本文结合了之前的一些方法和自己的理念来提升 YOLOv2 的性能。

下面介绍一些可能提升性能的 idea：

Batch Normalization → convergence + regularization

Batch normalization 可以改善收敛性，提升泛化能力。 通过在YOLO的所有卷积层上添加 batch normalization，指标 mAP 增长了2％以上。有了 batch normalization，移除 dropout 也不会导致过拟合。

High Resolution Classifier
现有 state-of-the-art 检测模型都是使用在 ImageNet 上预训练的分类器，输入图像的分辨率都小于 256 × 256，YOLOv1 使用的分类器预训练的图像分辨率是 224 × 224 检测时的图像分辨率增加到 448×448，这意味者 YOLOv1 网络需要在目标检测和适应新的分辨率中切换。

为提高检测高分辨率图像的能力，把检测和高分辨率两个任务分开：先在 448×448 的 ImageNet 图像上微调分类网络，然后微调检测网络。

高分辨率的分类网络使mAP增长了近4％。

Convolutional With Anchor Boxes
YOLO 使用卷积特征提取器顶部的 FC 层直接预测边界框的坐标，而 YOLOv2 移除了 FC 层，用 anchor box 预测边界框。这样就把分类机制与空间位置解耦，可以直接为每个 anchor box 预测类别。

anchor box 使精度下降——mAP 从69.5 降到 69.2，但是 recall 从 81% 提升到 88%，这说明我们的模型还有提升的空间。

Dimension Clusters
使用 anchor box 遇到的第一个问题是：bounding box 的尺寸是手工挑选的。

网络可以学习适当地调整框，但是如果我们为网络选择更好的先验条件，则可以使网络更容易学习预测良好的检测结果。

使用 k-means 聚类找先验条件。先验条件是为了带来好的 IOU 分数，与框尺寸无关，因此距离度量为

实验表明使用 k 均值生成边界框可以更好地表示模型，并使任务更易于学习。

Direct location prediction
使用 anchor box 遇到的第二个问题是：模型不稳定，尤其是在早期迭代期间。大部分的不稳定来源于预测边界框的位置（坐标）。

代替预测偏移量，我们预测相对于网格单元位置的位置坐标，ground truth 的范围是0到1。

与使用 anchor box 的版本相比，使用 dimension clusters 以及直接预测边界框中心位置可使 YOLO 提高近5％。

Fine-Grained Features（细粒度特征）
修改后的 YOLO 可以预测 13×13 大小的特征图上的检测结果。 这对于大型对象已经足够，更细粒度的特征有利于定位较小对象。

我们再网络中添加一个 passthrough layer，该层将相邻特征堆叠到不同的通道而不是空间位置中，从而将高分辨率特征与低分辨率特征连接在一起（ 26 × 26 × 512 → 13 × 13 × 2048）

扩展的特征图可以得到更细粒度的特征，使性能提高了 1%。

Multi-Scale Training
为了使 YOLOv2 对不同尺寸的图像都鲁棒，训练时随着迭代改变网络，每 10 个 batch 随机选择一个新的图像尺寸训练。这个机制强制网络学会预测不同尺寸的图片。

3. Faster

我们希望 YOLOv2 检测时不但准还要快。

YOLO框架使用基于Googlenet架构的自定义网络， 它比 VGG-16 快，但精度比 VGG-16 稍差。

Darknet-19
YOLOv2 的基础模型是新提出的 Darknet-19，它有 19 个卷积层和 5 个最大池化层。在 ImageNet 上的性能为 72.9% 的 top-1 accuracy 和 91.2% 的 top-5 accuracy。

Darknet-19 是在之前网络的基础上设计的，使用批量归一化来稳定训练，加快收敛速度，并使模型正规化。

Training for classification
初始训练的图片是 224 × 224，稍后在更大尺寸（448）图像上微调网络，在更高分辨率的图像上网络的性能为 76.5% 的 top-1 accuracy 和 93.3% 的 top-5 accuracy。

Training for detection
修改网络：删除最后一个卷积层，并在三个 3×3 卷积层上分别添加 1024 个 filter，每个 filter 再加上最终的1×1卷积层以及需要检测的输出数量，来修改此网络以进行检测。

4. Stronger

我们提出了一种联合训练分类和检测数据的机制——把检测和分类数据混合，训练过程中遇到带标签的检测图像，就基于 YOLOv2 整个损失函数进行反向传播，遇到分类图像，只反向传播网络的分类损失。

Challenge
检测数据集的 lable 少且普通，分类数据集的 lable 多且具体，如果我们想在两个数据集上训练，就得把它们的标签合并起来。

很多分类方法都用一个 softmax layer ，但它的前提是假设所有类互斥（mutually exclusive），但我们的数据集类别是不都是互斥的（有可能是包含的例如狗和金毛犬），所以我们使用了一个多标签模型来组合数据集（无互斥的要求），也就是多个 softmax 。

Hierarchical classification
大多数分类方法都假定标签采用扁平结构，但是对于组合数据集我们需要层次化的结构。

ImageNet labels 来源于 WordNet（语言数据集），因为语言比较复杂，因此标签采用有向图结构。在这里，作者把数据集的结构简化为结构树（hierarchical tree）。

通过改造图，最后得到一个 WordTree，这是一个视觉概念的层次模型。树的每个节点/标签都能用条件概率表示：
一个节点（lable）的具体概率可以这样计算：

这样每个节点/标签都有自己的概率，解决了类别之间不互斥的问题，就能在检测集和分类集上联合训练。

使用与以前相同的训练参数，我们的分层Darknet-19达到71.9％的top-1准确性和90.4％的top-5准确性。

Joint classification and detection
现在我们可以使用WordTree合并数据集，我们可以在分类集和检测集上训练我们的联合模型。

数据集组成是 COCO detection dataset 和 ImageNet 中的 9000 个类，相应的 WordTree 有 9418 个类。

在这个数据集上，使用基础模型 YOLOv2 训练得到的模型称为 YOLO9000。方法就是本节开始提到的联合训练机制。分类损失中，如果标签为“狗”，预测为更具体的“金毛犬”，则预测错误。

通过联合训练，YOLO9000 学会了使用 COCO 中的检测数据来检测图像，并且学会了使用 ImageNet 中的数据对这些对象分类。

5. Conclusion

总结还是围绕贡献：两个模型，两个方法。

本文提出的两个模型 YOLOv2 和 YOLO9000，它们之间的关系是：

• YOLOv2 是 YOLOv1 的改进版本，它比 YOLOv1 检测得更准更快（第 2 3 节的介绍）；
• YOLO9000 是 YOLOv2 在组合数据集上联合训练后得到的可检测9000多个类别的目标检测系统。（第 4 节的介绍）

本文提出的两个方法主要用于数据集的联合训练：

• 用 WordTree 表示图像标签可以组合检测和分类数据集；
• 联合训练机制解决了在组合数据集上如何利用两类数据的问题。