YOLOv2

最新推荐文章于 2021-03-22 16:50:01 发布

Ooo。

最新推荐文章于 2021-03-22 16:50:01 发布

阅读量408

点赞数 1

分类专栏： yolo

本文链接：https://blog.csdn.net/xue_csdn/article/details/105950349

版权

yolo 专栏收录该内容

17 篇文章 3 订阅

订阅专栏

1、Better

（1）批归一化BN

（2）高分辨率分类器High resolution classifier

（3）用Anchor Boxes卷积

（4）维度聚类Dimension clusters

（5）位置预测Direct location prediction

（6）细粒度特征Fine-Grained Features

（7）多尺度图形训练Multi-Scale Training

YOLOv1拙见https://blog.csdn.net/xue_csdn/article/details/105949984

YOLOv2相比YOLOv1，预测更准确（Better），速度更快（Faster），识别对象更多（Stronger）

1、Better

（1）批归一化BN

BN（Batch Normalization）这里就不详细介绍了。

BN其实在YOLOv1中就出现过了，但是YOLOv1还伴随着dropout的使用。在YOLOv2中取消了dropout，全部使用BN，降低过拟合。

（2）高分辨率分类器High resolution classifier

同YOLOv1一样，在训练模型时先在ImageNet上进行了预训练，输入图片的尺度为224×224，同样在检测时需要将输入从224×224变为448×448，但是直接切换会对模型性能造成影响。

所以在YOLOv2中，作者提出首先对分类网络（自定义darknet）进行微调fine tune，以448×448在ImageNet数据集上训练10个epoch，使网络有充足的时间适应，然后对检测网络部分同样进行微调（变为416×416，下一步会介绍到）。

（3）用Anchor Boxes卷积

借鉴了Faster RCNN的RPN。

首先是去掉了FC，以及最后的max pooling层（确保得到的feature map有更高的分辨率），将分辨率变为416×416（使feature map的宽高均为奇数），而且由于有5个max pooling作下采样，缩小比值为32，所以最终由416×416得到13×13的feature map（416/32=13），也就是13×13个grid.

每个grid预先设定一组（9个）不同大小和宽高比的先验框。相比于YOLOv1的7×7×2=98个框，YOLOv2可检测13×13×9=1521个框。

（4）维度聚类Dimension clusters

Faster R-CNN和SSD的先验框的大小是手动设定的，有一定的主观性，YOLOv2采用k-means聚类方法对训练集中标注的边界框做了聚类分析。作者发现如果采用标准的 k-means（即用欧式距离来衡量差异），在 box 的尺寸比较大的时候其误差也更大，而我们希望的是误差和 box 的尺寸没有太大关系。所以通过 IOU 定义了如下的距离函数，使得误差和 box 的大小无关。

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。

图的左边代表随着k的增加，average IOU也在逐渐增加，当k=5时，recall值和模型复杂度会有一个较好的权衡，右边就是选出的5个聚类中心。

（5）位置预测Direct location prediction

在早期阶段，模型训练容易不稳定，是由于预测 Box 的（x,y）位置。预测公式为：

论文中都是减号，其实应该是加号（可以去参考Faster RCNN的推导公式）

意味着当tx=1时，右移 $w_{a}$ 的长度（ $w_{a}$ 是先验框的宽），tx=-1时，左移 $w_{a}$ 的长度

但是tx和ty没有约束限制，容易导致不稳定。YOLOv2调整了预测公式，采用了预测相对于grid cell的坐标位置的方法，利用logistic激活把ground truth限制在0到1之间。

输出的feature map中，每个cell（网格）预测5个bbox，每个bbox有5个参数， $t_{x}$ ， $t_{y}$ ， $t_{w}$ ， $t_{h}$ ， $t_{o}$ ，

cx和cy是当前cell左上角到图像左上角的距离（网格宽高归一化为1），pw和ph是当前cell对应bbox的宽和高

将 $t_{x}$ ， $t_{y}$ 约束在(0,1)范围内，蓝色点被约束在当前cell内，使得训练更加稳定。

（6）细粒度特征Fine-Grained Features

增加passthrough层，对小目标的检测精度有帮助。把高分辨率的特征和低分辨率的特征连接起来，连接方式是叠加特征到不同的通道，而不是空间位置，类似于ResNet

具体过程是：将26×26×512特征图变为13×13×2048，后者可直接与原始特征（original feature）相连接。

一个知乎博主是这么解释的：（见图片水印）

passthrough不涉及参数的计算，26×26×512使用按行和按列隔行采样的方法，得到4个13×13×512的特征图，然后concat，得到13×13×2048，最后拼接到后面的层，相当于做了一次特征融合。这样就对于小目标的检测起到很好的作用。

（7）多尺度图形训练Multi-Scale Training

YOLOv2去掉了FC，所以YOLOv2的输入可以不限于416*416大小的图片。

因为整个网络下采样倍数是32，作者采用了{320,352,...,608}等10种输入图像的尺寸，这些尺寸的输入图像对应输出的特征图宽和高是{10,11,...19}。训练时每10个batch就随机更换一种尺寸，使网络能够适应各种大小的对象检测。

2、Faster

一张224×224的图片通过VGG16要经过306.9亿浮点运算，为了更快，网络没必要像VGG16这么复杂。

YOLOv2用基于GoogleNet的自定义的网络，一次前向传播只要85.2亿次浮点运算，虽然准确率较VGG16有所下降，在ImageNet上从90%下降到了88%。

（1）darknet-19

最后的 1x1 卷积层的存在是为了跨通道信息整合

大量使用3×3卷积
pooling之后，通道数翻倍
用global average pooling预测结果
3×3之间采用1×1来压缩特征
BN
运算次数：55.8亿次

（2）训练分类模型

第一阶段：

输入224×224
ImageNet 1000 数据集
160epoch
SGD
初始learning rate = 0.1
polynomial rate decay = 4
weight decay = 0.0005
momentum = 0.9

第二阶段：

微调至448×448
其他参数一样，learning rate = 0.001

（3）训练检测模型

第三阶段：

移除最后一个conv层，及后边的池化、softmax
增加3个3×3×1024的conv层，后边加1×1，输出维度（最后一个1×1的个数）就是检测的数量（例如，对于VOC数据集，每个grid预测5个框，每个框有5个坐标点和20个类别，因此需要5×25=125个filter）
增加pass through层，从最后的3×3×512到倒数第二个conv层
训练160 epoch
开始 learning rate = 0.001，到60和90 epoch时，减为上一次的0.1倍
weight decay = 0.0005
momentum = 0.9

还是前边提到的那个知乎博主：

看一下passthrough层。图中第25层route 16，意思是来自16层的output，即26*26*512，这是passthrough层的来源（细粒度特征）。第26层1*1卷积降低通道数，从512降低到64（这一点论文在讨论passthrough的时候没有提到），输出26*26*64。第27层进行拆分（passthrough层）操作，1拆4分成13*13*256。第28层叠加27层和24层的输出，得到13*13*1280。后面再经过3*3卷积和1*1卷积，最后输出13*13*125。

附上一张更直观的图（输入是608×608，但是总的层数不影响）

对于训练图片的ground truth，由该ground truth中心点所在的网格cell进行预测，5个中与ground truth有最大IOU的那个anchor负责预测，剩余4个不与该ground truth匹配。

匹配原则：对于某个ground truth，首先要确定其中心点要落在哪个cell上，然后计算这个cell的5个先验框与ground truth的IOU值（YOLOv2中bias_match=1），计算IOU值时不考虑坐标，只考虑形状，所以先将先验框与ground truth的中心点都偏移到同一位置（原点），然后计算出对应的IOU值，IOU值最大的那个先验框与ground truth匹配，对应的预测框用来预测这个ground truth。

stronger部分（YOLO 9000）在下一篇介绍。