YOLO系列学习——V2

YOLO入门介绍

双阶段two_stage:Faster-rcnn  mask-rcnn

单阶段ont_stage:YOLO系列

优缺点：

优势是速度快，缺点是通常情况下效果不太好

Map:综合的衡量检测效果

IOU:所选框与目标框的交并比

衡量标准：

Precision=TP/(TP+FP)

Recall=TP/(TP+FN)

TP；本来是正例，判断也为正例-对的

FP：本来是正例，判断为负例-错的

TN：本来是负例，判断为负例-对的

FN：本来是负例，判断为正例-错的

YOLO V2:

1.Batch Normalization:

       使其均值为1，方差为σ，对每一层之后归一化，使得其收敛相对容易,保证其不走偏。如果不加归一化，可能会导致参数走偏越来越大，使用了归一化之后，会在每一层之后进行归一化一次，进行矫正。

2.网络改进：

      对于V1的改进就是在原有的训练网络之后，又加了及论训练，不过使用的是高分辨率，原始的训练使用的是244*244，后再加10遍448*448的高分辨率的训练（因为V1中的训练是224*224，而测试使用的是448*448的分辨率，可能会导致问题）

3.网络结构:

      去掉了所有的全连接层，而是使用了5次下采样（Maxpooling）,输出是从7*7—>13*13

4.卷积核：

卷积核使用的是1*1和3*3的卷积，参考VGG ，卷积核比较小，从而感受野比较大   

5.聚类：

使用聚类来将线性框分为了5类

K-means聚类中的距离d=1-IOU（也归一化了【0，1】）

IOU越大，说明两个框越相近，则d就越大，反之则越小

6.感受野：

1.有什么用，干什么的：

通过卷积核的卷积运算，所生成的特征图，将进一步的提升感受范围，感受野一般是看最后一层的特征图，可能一个点进能够感受全局

2.卷积核的设置：

堆叠小的卷积核所需的参数会更小一些，并且卷积的过程越多，特征提取的就会月细致，可能大的卷积核会一步到位，但是堆叠小的卷积核进行多次卷积，不但减小了计算量，而且还使得提取特征的过程变得更加准确

3.感受野变化：

     越向后感受野会越大，最后一层的感受也太大，越大的感受野越适合感受体型越大的物体，可以通过不同的卷积核生成的不同的特征图，将感受野大的特征图与感受野小的特征图进行拼接，即可实现即可检测大的物体因为可检测小的物体

4.多尺度：

       将输入数据使用resize()操作，变成不同的尺寸，在不同的训练周期，变化不同的尺度，就让网络进行适应，提高检测能力，技能在尺寸中检测到，又能在大尺寸中检测到