YOLOv2 笔记

前言
1.本文重点是YOLOv2在YOLO的基础上做了哪些改进，尽量用较少篇幅表达清楚论文算法，其他一些不影响理解算法的东西不做赘述
2.博客主要是学习记录，为了更好理解和方便以后查看，当然如果能为别人提供帮助就更好了，如果有不对的地方请指正（论文中的链接是我经过大量搜索，个人认为讲解最清楚的参考）

论文链接
代码链接
论文翻译

创新点
1.使用分类网络Darknet19提升速度
2.使用BN层
3.多尺度训练网络
4.使用K-means选取anchor box
5.提出一种新方法，使用对象分类的分层视图，将不同的数据集组合在一起，扩展当前能够检测的类别
6.提出联合训练方法，同时使用检测数据集和分类数据集训练检测网络，用检测数据集学习精确定位对象，用分类数据集来增加可检测物体类和鲁棒性
7.基于YOLOv2用联合训练方法在ImageNet的9000多个类的分类数据和COCO的检测数据训练出了YOLO9000（一个可以检测超过9000种不同物体类别的实时检测器）

主要解决YOLOv1的问题
1.YOLOv1产生大量的定位误差
2.YOLOv1的召回率比较低

YOLO9000:Better, Faster, Stronger
（主要针对以上问题，作者提出YOLOv2/YOLO9000，从YOLO9000的名字就可以看出它有三方面的改进：Better、Faster、Stronger）
1.Better
1）Batch Normalization（使用批量归一化）
通过在所有卷积层上添加批量归一化可以显著提高收敛性，代替其他正则化（如删除DropOut）而不会发生过拟合（mAP提高2%以上）
2）High Resolution Classifier（用高分辨率分类图片微调分类网络）
给图片标注类别容易，分类数据很多，但是标注边框工作量太大，检测数据集少，所以检测网络的提取特征的基础网络都是用分类数据集训练的，而分类数据集如ImageNet上的图片分辨率都比较低，相反检测数据集分辨率相对会高，比如最初的YOLO在224x224的数据上训练分类网络，检测数据却是448x448，这样肯定会影响性能，所以对于YOLOv2会用448x448的数据微调分类网络（这种高分辨率使mAP提高近4%）
3）Convolutional With Anchor Boxes（去掉全连接层，并改用anchor box预测bounding box）
使用anchor box时有两个问题。第一个是anchor box是手工挑选的尺寸，不一定合适，虽然网络可以学习着调整这些框，但是如果选择更适合网络的先验框，就可以让网络更容易学习；第二个问题是采用anchor box预测的是offset，中心坐标$t_x$和$t_y$不受控制，如果落在其他栅挌中，应该有中心落入的栅挌负责（注意这是因为YOLO有栅挌的概念），训练初期，模型初始化，由于中心坐标位置不一定在哪，导致模型很不稳定

第一个问题：解决方案就是不再手工选择先验框，而是用k-means聚类算法自动找到好的先验框分布，但是如果使用欧氏距离，大尺寸的框会比小尺寸的框误差大，为了使iou与框的尺寸无关（YOLOv1损失函数w开根号也是解决这个问题），所以把欧氏距离改为新的距离公式：

centroid是聚类时被选作中心的边框，box就是其它边框，d就是两者间的“距离”，IOU越大，“距离”越近
第二个问题：YOLOv2不预测offset，而是延续YOLOv1预测bbox的中心相对于所在栅挌左上角的坐标（相对于栅挌边长的比例，（0,1）之间），为了使bbox中心坐标在（0,1）之间（即在对应的栅挌中），使用sigmoid函数来约束预测值所以新的坐标计算公式为：