YOLOV1和YOLOV2的区别与改进，对比学习

YOLO-V1

1. 经典的one-stage方法

2. You Only Look Once,名字就已经说明了一切

3. 把检测问题转化成回归问题，一个CNN就搞定了

4. 可以对视频进行实时监测，应用领域非常广

损失函数

 

B: 经验框的个数

S*S：网格大小

对这个物体负责，则是经验框与检测物体真实框IOU最大的经验框对这个物体负责

缺点

每个cell只预测一个类别，重叠的物体无法检测

多标签不好预测

小物体难预测，因为检验框只有两

优点

快速，简单

YOLO-V2

Batch Normalization

1. V2版本舍弃了Dropout，卷积后全部加入Batch Normalization

2. 网络的每一层的输入都做了归一化，收敛相对更容易

3. 经过Batch Normalization处理后的网络会提升2%的mAP

4. 从现在的角度来看，Batch Normalization已经成了网络的必备处理

更大的分辨率

1. V1训练时用的是224*224，测试时使用448 * 448

2. 可能导致模型水土不服，V2训练是额外又进行了10 次448 * 448 的微调

3. 使用高分辨分类器后，YOOV2的mAP提升了约4%

网路结构

1. 采用DarkNet结构，实际输入微416 * 416

2. 没有FC层，5次降采样，每次输出图像大小减半。因为 FC 参数较多，计算量大，容易过拟合

3. 1 * 1卷积节省了很多参数

聚类提取先验框

1. faster- rcnn系列选择的先验框比例都是常规的，按照长宽固定比给定（1：1, 1:2, 2:1），但是不一定完全适合数据集。

2. yolov使用K-Means聚类提取先验框，其中K=5。

3. 引入anchor boxes，使得预测的box数量更多

4. K - Means聚类中的 距离：

   d(box,centroids) = 1 -IOU(box, centroids)

5. v2中并没有直接使用偏移量，而是选择相对grid cell的偏移量，偏移量的计算如下图：

 

Fine-Grained Features

1. 最后一层感受也太大了，小目标可能丢失，需要融合之前的特征，该进见下图：

 

Multi-Scale（多尺度）

1. 都是卷积操作，没有了全连接层，输入特征图大小可以改变了，一定Iterations之后改变输入图片大小。v1版本中有全连接层的存在，所以输入特征图大小固定。

总结

 

相关概念

1. 目标检测中衡量识别精度的指标是mAP（mean average precision）

2. FPS(每秒传输帧数-Frames Per Second)，FPS就是目标网络每秒可以处理（检测）多少帧(多少张图片),FPS简单来理解就是图像的刷新频率，也就是每秒多少帧。

3. 感受野：就是特征图上的点能看到原始图像多大区域。堆叠小的卷积核所需的参数更少一些，并且卷积过程越多，特征提取也会越细致，加入的非线性变换也随着增多，还不会增大权重参数个数，这就是VGG网络的基本出发点，用小的卷积核来完成物体特征提取操作。

思考

1. 使用小卷积核的优点？