目标检测 —— YOLOv2论文精读

📝arxiv 论文地址
🚀yolov2代码pytorch版本

Abstract (摘要)

• 本文提出的最先进的，实时目标检测系统算法是YOLO9000,可以检测超过9000个目标类别。该算法是在YOLOv1的基础上改进得到的。
• YOLO9000使用一种新颖的多尺度训练方法(multi-scale training method)，相同的YOLOv2模型可以运行在不同的大小的图片上，权衡(tradeoff)速度和精度。比如在67帧率下，v2在VOC2007数据集的mAP可以达到76.8; 在40帧率下，mAP可以达到78.6。这样，v2就可以适应多种场景需求，在不需要快的时候，它可以把精度做很高，在不需要很准确的时候，它可以做到很快。
• 最后，我们提出了一种联合训练目标检测和分类的方法（jointly train on object detection and classification）。使用这种方法，我们在COCO检测数据集和ImageNet分类数据集上同时训练YOLO9000。

☀️ YOLOv2和YOLO9000算法在2017年CVPR上被提出，重点解决YOLOv1召回率和定位精度方面的误差。YOLOv2 是在YOLOv1的基础上改进得到，改进之处主要有：Batch Normalization (批量归一化)、High Resolution Classfier(高分辨率的分类器)、Convolutional With Anchor Boxes (带锚框的卷积)、Dimension Clusters (维度聚类)、Direct location prediction (直接位置预测)、Fine-Grained Feature (细粒度特性)、Multi-Scale Training (多尺度训练)，它的特点是“更好，更快，更强”。
YOLO9000 的主要检测网络也是YOLO v2，同时使用WordTree来混合来自不同的资源的训练数据，并使用联合优化技术同时在ImageNet和COCO数据集上进行训练，目的是利用数量较大的分类数据集来帮助训练检测模型，因此，YOLO 9000的网络结构允许实时地检测超过9000种物体分类，进一步缩小了检测数据集与分类数据集之间的大小代沟。

1. Introduction (简介)

• 一般用途的目标检测应快速、准确，并能够识别各种各样的目标。神经网络的引入，使得检测框架变得越来越快和准确。然而，大多数检测方法仍然局限于一小部分对象。
• 与分类和标记等其他任务的数据集相比，当前的目标检测数据集是有限的。最常见的检测数据集包含数千到数十万的图像，带有数十到数百个标签。分类数据集有数百万张图像，其中包含数万或数十万个类别。
• 然而，目标检测任务中的数据集制作要比分类任务（classification）和标签(tagging)任务要麻烦的多，因此两者的数据集在未来也很难达到相同的规模。

• 提出了一种新的方法来利用（harness）我们已经拥有的大量分类数据，并利用它来扩展现有检测系统的检测范围。我们的方法使用对象分类的层次视图(hierarchical view of object classification)，它允许我们将不同的数据集组合在一起。
• 我们还提出了一个联合训练算法（joint training algorithm），允许我们用检测和分类数据来训练目标检测器。我们的方法利用标记的检测图像来学习精确地定位目标，而使用分类图像来增加词汇量和鲁棒性。
• 我们利用这种方法训练YOLO9000（一个可以检测超过9000种不同的物体类别的实时物体检测器）。首先，我们对基本的YOLO检测系统进行了改进，得到了了最先进（state-of-art）的实时(real-time）探测器YOLOv2。然后利用我们的数据集组合方法( dataset combination method)和联合训练算法( dataset combination method)，对来自ImageNet的9000多个类和来自COCO的检测数据进行模型训练。
• 我们所有的代码和经过训练的模型都可以在http://pjreddie.com/yolo9000/网站上找到。

2. Better (更好)

• 与最先进的检测系统相比，YOLO有很多缺点。YOLO与Fast R-CNN的误差分析表明，YOLO的定位误差（localization errors）较大。此外，与基于区域提议的方法(region proposal network)相比，YOLO的召回率相对较低。因此，我们主要任务是在保持分类准确性的同时，提高召回率和减少定位误差。
• 训练更大的网络（training larger networks）或集成多个模型(ensembling multiple models)通常可以提升检测的性能。然而，对于YOLOv2，我们想要的是一种更精确、更快的检测器。因此我们简化了网络，使之更加容易学习。我们将过去工作中的各种想法与我们自己的新概念相结合，以提高YOLO的性能。结果的摘要见表2。
  

Batch Normalization (批量归一化)

• 1️⃣改进方法一：批量归一化（Batch Normalization）。
  批量归一化可以显著提高收敛性(improvements in convergence)，同时消除了对其他形式的正则化(regularization)的需要。通过在YOLO中为所有的卷积层添加批量归一化，mAP提升了2%。批量规范化还有助于正则化模型（regularize the model）。批量归一化可以替代yolov1中的dropout方法来解决过拟合（overfitting）的问题。

❄️BN是什么？
批量归一化，即在卷积或池化之后，激活函数之前，对每个数据输出进行标准化，使得均值为0，方差为1。这样网络就不需要每层都去学数据的分布，收敛会更快。效果示意图如下：

❄️BN算法流程

BN 参考论文：《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》

❄️BN带来的好处
(1) 减轻了对参数初始化的依赖，利于调参。
(2) 让网络提高了收敛性。通过标准化上层输出，均衡输入数据分布，训练更快，可以使用更高的学习率（learning rate）和衰减(decay)
(3) BN一定程度上增加了泛化能力，消除了对其他形式的正则化（regularization）的依赖，代替dropout解决过拟合问题。
(4) 通过标准化输入，降低激活函数（Activation Function）在特定输入区间达到饱和状态的概率，避免梯度弥散（Gradient Vanishing）问题；

High Resolution Classfier(高分辨率的分类器)

• 2️⃣改进方法二：高分辨率的分类器（High resolution classifier）。
  所有最先进的检测方法都使用在ImageNet上预先训练的分类器(提取浅层特征)，而非完全重新训练模型，从而提高效率。
  从AlexNet开始，大多数分类器都对小于256 × 256的输入图像进行操作. YOLOv1在预训练时采用的是224*224的输入（在ImageNet数据集上进行），然后在检测的时候采用448*448的输入，这会导致从分类模型切换到检测模型的时候，模型还要适应图像分辨率的改变。

• YOLOv2则将预训练分成两步：先用224*224的输入在ImageNet数据集训练分类网络，大概160个epoch（将所有训练数据循环跑160次）后将输入调整到448*448，再训练10个epoch（这两步都是在ImageNet数据集上操作）。然后利用预训练得到的模型在检测数据集上fine-tuning。这样训练得到的模型，在检测时用448*448的图像作为输入可以顺利检测。这个高分辨率的分类网络使我们的mAP增加了近4%。

☀️ fine-tuning: 用已经训练好的模型，加上自己的数据集，来训练新的模型。即使用别人的模型的前几层，来提取浅层特征，而非完全重新训练模型，从而提高效率。一般新训练模型准确率都会从很低的值开始慢慢上升，但是fine-tuning能够让我们在比较少的迭代次数之后得到一个比较好的效果。

Convolutional With Anchor Boxes (带锚框的卷积)

• 3️⃣改进方法三：带锚点（anchor）的卷积
  YOLO在卷积特征提取器上使用全连接层直接预测检测框的坐标。Faster R-CNN是使用手工挑选的先验预测框（hand-picked prior）。在Faster R-CNN中，区域提议网络(RPN)仅使用卷积层来预测锚框的偏移量和置信度。由于预测层是卷积的，RPN预测特征图中每个位置的这些偏移量。预测偏移量而不是坐标简化了问题，并使网络更容易学习。
• 我们从YOLO中移除全连接层，并使用锚框来预测检测框。首先，我们去除了一个池化层，使网络的卷积层的输出具有更高的分辨率。我们还将网络缩小到416*416的分辨率大小，而不是448×448。我们这样做是因为我们想在特征图中有奇数个位置，所以只有一个中心单元格。尤其是大的物体，往往占据图像的中心，所以最好在图像中心有一个位置来预测这些物体，而不是四个位置都在附近。YOLO的卷积层对图像进行了32倍的降采样，所以通过使用416的输入图像，我们得到了13 × 13的输出特征图。
  
• 在使用锚框时，将类预测机制与空间位置解耦（decouple），预测每个锚框的类别（class）和对象(objectness)。在预测类别时使用真实框和预测框的IOU来计算； 在预测对象时，当锚框内有物体时属于某种类别的条件概率。
• 使用锚箱时，准确性小幅下降。YOLO只预测了每张图片的98个检测框，但我们的模型预测了1000多个检测框（有更多的检测框）。在没有锚框的情况下，我们的中间模型的mAP值为69.5，召回率为81%。使用锚箱，我们的模型得到69.2个mAP，召回率为88%。尽管mAP减少了，但召回率的增加意味着我们的模型有更多的改进空间。

🔥 RPN网络一个最重要的概念就是anchor，启发了后面的SSD和YOLOv2等算法，虽然SSD算法称之为default box，也有算法叫做prior box，其实都是同一个概念，他们都是anchor的别称, 简单理解为在图像上预设好的不同大小，不同长宽比的参照框。
我们不再需要计算Haar、Hog等特征，直接让神经网络输出，
每个anchor认为自己是否含有物体的概率，物体中心点与anchor自身的中心点位置的偏移量，以及相对于anchor宽高的比例。

Dimension Clusters (维度聚类)

• 4️⃣改进方法四：维度聚类（Dimension Cluster）
  在YOLO中使用锚框时，我们会遇到两个问题： 首先，盒子尺寸是手工挑选的。即便网络可以学会适当地调整检测框，但如果我们为网络选择更好的先验框（priors），我们可以让网络更容易学习和预测。
• 我们没有手动选择先验框，而是在训练集的检测框上上运行k-means聚类（k-means cluster）来自动生成好的先验框。
• 如果我们使用带有欧几里德距离（Euclidean）的标准k-means，较大的检测框比较小的检测框产生更多的误差。然而，我们真正想要的无论检测框的大小都有较好IOU得分的先验框。因此，对于k-means算法中距离的度量，我们使用如下公式:
  $d($ box, centroid $)=1-\mathrm{I}\mathrm{O}\mathrm{U}($ box, centroid $)$
  
• 如下图，选取不同的k值（聚类的个数）运行k-means算法，并画出平均IOU和K值的曲线图。当k = 5时，可以很好的权衡模型复杂性和高召回率。与手工挑选的相比，k-means算法挑选的检测框形状多为瘦高型。
  

• 上表表明使用k-means来生成检测框可以使模型有更好的表示，并使任务更容易学习。

💭 faster- rcnn 系列选择的先验框的比例都是常规的（如三个scale大小，每个大小对应三种比例1:1、1:2、2:1，一共9种先验框），并不一定完全适合数据集。Yolov2用标注的检测框进行聚类提取先验框。

Direct location prediction (直接位置预测)

• 5️⃣改进方法五：直接位置预测（Direct location prediction）
  在使用锚框时，模型早期迭代过程中不稳定，尤其表现在预测检测框的位置坐标（x,y）。预测 (x,y) 以及 tx，ty 使用的是如下公式：
  $x=\left(t_x\ast w_a\right)+x_a$
  $y=\left(t_y\ast h_a\right)+y_a$

🔥 作者应该是把加号误写成了减号。anchor的预测公式来自于Faster-RCNN（原文链接）, 原文给的公式如下图：

公式中，符号的含义解释一下：$x$是坐标预测值，$x_a$ 是anchor坐标（预设固定值），$x^{\ast }$是坐标真实值（标注信息），其他变量 y，w，h以此类推，t 变量是偏移量。然后把前两个公式变形，就可以得到正确的公式：
$x=\left(t_x\ast w_a\right)+x_a$
$y=\left(t_y\ast h_a\right)+y_a$

• 这个公式是不受约束（unconstrained）的，因此任何锚框可以出现在图像中的任何位置。在随机初始化的情况下，模型需要很长时间才能稳定到预测合理的偏移量。
• 为了解决上述问题，我们预测相对于网格单元的位置坐标。这使得检测框的真实值落在0和1之间。我们使用逻辑激活（logistic activation）来约束网络的预测，使其落在这个范围内。

• 该网络预测输出特征图中每个网格单元的5个边界框。每个边界框对应的5个坐标，tx, ty, tw, th和to。如果单元格从图像的左上角偏移(cx, cy)，且之前的边界框的宽度和高度为pw, ph，则预测对应于:
  $\begin{array}{rl}{b}_x& =\sigma \left(t_x\right)+c_x\\ b_y& =\sigma \left(t_y\right)+c_y\\ b_w& =p_w{e}^{t_w}\\ b_h& =p_h{e}^{t_h}\\ \mathrm{Pr}(\text{ object })\ast \mathrm{IOU}(b,\text{ object })& =\sigma \left(t_o\right)\end{array}$

$\sigma$表示的是sigmod函数，其值域在0到1之间。

• 由于我们约束了位置预测，使得参数更容易学习，网络更稳定。该方法使得mAP提升了5%.

Fine-Grained Feature (细粒度特性)

• 6️⃣ 改进方法六：细粒度特性（Fine-Grained Features）。
  这个修改后的YOLO在13 × 13特征图上进行检测。虽然这对于大型对象来说已经足够了，但是对于较小的对象来说，更细粒度的特性可能会使得检测效果更好。
• faster R-CNN和SSD都在网络中的各种特征图上运行他们的提议网络(proposal network)，以获得一系列的分辨率大小的特征图。我们采用了一种不同的方法，直接在YOLO的网络上添加一个直通层（passthrouth layer），融合早期26 × 26分辨率的特征图。
• 直通层通过将相邻的特征在不同的通道叠加，将高分辨率特征与低分辨率特征串联起来，类似于ResNet中的映射。这使得26 × 26 × 512的特征图转换成13 × 13 × 2048的特征图，可以与原始特征进行拼接。我们的检测器运行在这个扩展的特性图之上，因此它可以访问细粒度的特性。这将带来1%的性能提升。

👀 感受野是啥？
卷积的过程就是对特征进行浓缩，浓缩后的一个点代表原始输入图片的多大区域 就相当于感受野。

❔ 如果堆叠3个3*3的卷积层，并且保持滑动窗口步长为1，其感受野就是7*7的了。这跟一个使用7*7卷积核的结果是一样的，那为什么非要堆叠3个小卷积呢？

🙌 假设输入大小都是$h\ast w\ast c$，并且都使用c个卷积核(得到c个特征图)，可以来计算
一下其各自所需参数

很明显，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体特征提取操作。

❄️ 最后一层时感受野太大了，小目标可能丢失了，需融合之前的特征。

其中，Passthrough Module 构造如下图所示，它将相邻的部分作为深度叠加上去，这样便能在缩小的特征途中仍然保有其细部特征。

重组层采用每个交替像素并将其放入不同的通道。让我们以 4x4 像素的单个通道为例，如下所示。重组层将大小减小到一半，并创建了 4 个通道，相邻像素位于不同的通道中。因此，来自 Conv13_512 的 Reorg 层的输出将为 2048x13x13。

Multi-Scale Training (多尺度训练)

• 7️⃣ 改进方法七：多尺度训练
  我们希望YOLOv2能够在不同尺寸的图像上运行的结构都很稳健，采用的方法就是在训练过程中不断更改输入图像的尺寸。
  由于整个模型最后输出的特征图为原尺寸的$1/32$
  ，所以在训练过程中，让模型每训练10 epochs 就从下列几种尺寸(32倍数) 中随机选择输入尺寸 : $320,352,....,608$
  

• 这样的训练方式迫使模型可以在各种尺寸上都有不错的预测表现。小尺寸的输入图像，YOLOv2 可以在极短的时间内进行预测，也因此，整个模型可以轻易地在速度与精准度上进行权衡；而在高分辨度的图像上，YOLOv2 更有着极高的mAP 表现，尽管速度上稍微慢了一些，但亦有40 fps，仍可达到即时预测的要求。
  

3. Faster(更快)

• YOLOv2的网络结构
  与VGG模型类似，在YOLO种我们主要使用3 × 3过滤器（filter），并在每个池化步骤之后将通道数量增加一倍(于此同时，输出图片的分辨率减少一倍，如通过一次Maxpool之后，由14*14变为7*7)。在Network in Network (NIN)的工作之后，我们使用全局平均池化（global Avgpool）来进行预测，并使用1 × 1过滤器来压缩(compress)3 × 3卷积之间的特征表示。我们使用批量归一化（batch normalization）来稳定训练，加快收敛速度、正则化模型。

然而现今的物件侦测系统大多依赖VGG-16 作为特征提取器。VGG-16 是一个非常强大的分类器，但它的网路结构过于庞大且复杂。
YOLO 采用的是较快的GoogLeNet 架构，虽说整体mAP 表现较VGG-16 差一些，但是却换来更快速、更少的预测运算。
YOLOv2 中，使用的是一个全新的架构: Darknet-19
YOLOV2的网络结构详细版

Darknet-19

我们最后的模型叫做Darknet-19，有19个卷积层和5个最大池层。详细描述请参见下表。Darknet-19只需要55.8亿次操作就可以处理一幅图像，但在ImageNet上却能达到72.9%的前一精度和91.2%的前五精度。

☀️ Darknet 的实际输入$416\ast 416$（上图中的224*224只是举个例子）,通过5次降采样后，输出为 $13\ast 13$ ($416/(2^5)=13$)

🙋 Darknet 没有全连接层，但有5次降采样。为什么去掉全连接层了呢？
因为全连接层容易过拟合，训练慢。（参数太多）如下图，YOLOv1中通过全连接层将$7\ast 7\ast 1024$的特征图变换为$7\ast 7\ast 30$的特征图。但是这种变换完全可以通过一个$3\ast 3$的卷积核做到,从而节省参数。

💁 所有卷积核的大小有两种$3\ast 3$和$1\ast 1$。为什么要选择这种大小的卷积核呢？
$3\ast 3$的卷积核借鉴了VGG的思想: 当使用比较小的卷积核做卷积时，比较省参数，感受野大，因此训练的模型会更好。用$1\ast 1$卷积核来降维节省参数，训练的快。

Training for Classification （分类训练）

这部分前面有提到，就是训练处理的小trick。
这里的Training for Classification都是在 ImageNet上进行预训练。
YOLOv2的训练主要包括三个阶段：
第一阶段：在ImageNet分类数据集上从头开始预训练Darknet-19，训练160个epoch。输入图像的大小是224*224，初始学习率为0.1。另外在训练的时候采用了标准的数据增加方式比如随机裁剪，旋转以及色度，亮度的调整等。
第二阶段：将网络的输入调整为448*448，继续在ImageNet数据集上fine-tuning分类模型，训练10个epoch。参数的除了epoch和learning rate改变外，其他都没变，这里learning rate改为0.001。

Training for Detection（检测训练）

第三阶段：修改Darknet-19分类模型为检测模型，并在检测数据集上继续fine-tuning网络。
网络修改包括：移除最后一个卷积层、global avgpooling层以及softmax层，新增了三个3*3* 2014卷积层，同时增加了一个passthrough层，最后使用1*1卷积层输出预测结果。

🌀 在YOLOv1中，类别概率是由cell来预测的，一个cell对应的两个box的类别概率是一样的，但是在YOLOv2中，类别概率是属于box的，每个box对应一个类别概率，而不是由cell决定，因此这边每个box对应25个预测值（5个座标加20个类别值）

（1）YOLOv1： $S\ast S\ast (B\ast 5+C)=>7\ast 7（2\ast 5+20）$

其中B对应Box数量，5对应边界框的定位信息（w,y,w,h）和边界框置信度（Confidience）。分辨率是7*7，每个Cell预测2个Box，这2个Box共用1套条件类别概率（1*20）。

（2）YOLOv2： $S\ast S\ast K\ast (5+C)=>13\ast 13\ast 5（5+20）$

分辨率提升至13*13，对小目标适应性更好，借鉴了FSRCNN的思想，每个Cell对应K个Anchor box（YOLOv2中K=5，记得上文提到过聚类得到5个先验框），每个Anchor box对应1组条件类别概率（1*20）

论文里没有说明先验框匹配和loss是怎么做的，所以有很多细节可以参考 YOLO在TensorFlow上的实现darkflow（见yolov2/train.py）
接下来的损失函数和匹配原则参考这篇文章

❄️ 损失函数

（1）YOLOv2和yolov1一样，每个网格单元只选择IOU最大的先验框负责预测，计算坐标误差、置信度误差（此时target为1）以及分类误差。而其它的边界框只计算置信度误差（此时target为0）。
(2) YOLOv2和YOLOv1的损失函数一样，为均方差函数。但实现起来更为复杂。

Loss计算公式：
${\lambda }_{\text{noobj }}{\sum }_{i=0}^{\text{l.h*l.w }}{\sum }_{j=0}^{\text{l.n }}{1}_{ij}^{\text{noobj }}{\left(C_i-{\hat{C}}_i\right)}^2+{\lambda }_{obj}{\sum }_{i=0}^{\text{l.h*l.w }}{\sum }_{j=0}^{l.n}{1}_{ij}^{obj}{\left(C_i-{\hat{C}}_i\right)}^2$
$+{\lambda }_{\text{class }}{\sum }_{i=0}^{\text{l.w*l.h }}{\sum }_{j=0}^{\text{l.n }}{1}_{ij}^{\text{obj }}{\sum }_{c\in \text{ classes }}{\left(p_i(c)-{\hat{p}}_i(c)\right)}^2$
$+{\lambda }_{\text{coord }}{\sum }_{i=0}^{\text{l.w*L.h }}{\sum }_{j=0}^{j.n}{1}_{ij}^{obj}\left(2-w_i\ast h_i\right)\left[{\left(x_i-{\hat{x}}_i\right)}^2+{\left(y_i-{\hat{y}}_i\right)}^2+{\left(w_i-{\hat{w}}_i\right)}^2+{\left(h_i-{\hat{h}}_i\right)}^2\right]$
$$+0.01\ast \sum _{i=0}^{\text{l.włl.h }}\sum _{j=0}^{j.n}{1}_{ij}^{noobj}\left[{\left(p_{jx}-{\hat{x}}_i\right)}^2+{\left(p_{jy}-{\hat{y}}_i\right)}^2+{\left(p_{jw}-{\hat{w}}_i\right)}^2+{\left(p_{jh}-{\hat{h}}_i\right)}^2\right]$$

W，H分别指的是特征图（13*13）的宽与高；
A指的是先验框数目（这里是5）；
各个λ值是各个loss的权重系数，参考YOLOv1的loss；

第一项 :计算background的置信度误差
先计算各个预测框的IOU值，并且取IOU的最大值，如果该值小于一定的阈值（YOLOv2使用的是0.6），那么这个预测框就标记为background，需要计算noobj的置信度误差；
第二项是计算先验框与预测宽的坐标误差，但是只在前12800个iterations间计算，我觉得这项应该是在训练前期使预测框快速学习到先验框的形状；
第三项计算与某个ground truth匹配的预测框各部分loss值，包括坐标误差、置信度误差以及分类误差

⛄️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。
在计算obj置信度时，在YOLOv1中target=1，而YOLOv2增加了一个控制参数rescore，当其为1时，target取预测框与ground truth的真实IOU值。对于那些没有与ground truth匹配的先验框（与预测框对应），除去那些Max_IOU低于阈值的，其它的就全部忽略，不计算任何误差。这点在YOLOv3论文中也有相关说明：YOLO中一个ground truth只会与一个先验框匹配（IOU值最好的），对于那些IOU值超过一定阈值的先验框，其预测结果就忽略了。这和SSD与RPN网络的处理方式有很大不同，因为它们可以将一个ground truth分配给多个先验框。
尽管YOLOv2和YOLOv1计算loss处理上有不同，但都是采用均方差来计算loss。
另外需要注意的一点是，在计算boxes的和误差时，YOLOv1中采用的是平方根以降低boxes的大小对误差的影响，而YOLOv2是直接计算，但是根据ground truth的大小对权重系数进行修正：l.coord_scale * (2 - truth.w*truth.h)，这样对于尺度较小的boxes其权重系数会更大一些，起到和YOLOv1计算平方根相似的效果。

4、Stronger （更强）

Hierarchical Classification （阶层式分类）

WordNet 是一个语言库，它将名词间的关系建构起来，而ImageNet 也是参照WordNet 进行标注。然而，语言十分的复杂，每一个名词也无法单纯归在某一类别之下，如: 「狗」(dog)同时是「犬」(canine)类别以及「家畜」类别之下。也因此，WordNet 并非是一个树状结构，而是一个有向图结构(directed graph)。

作者们并不采用整个WordNet 的图结构，而是从中抽取其视觉名词重新制作一个树状结构。

每一个视觉名词都可以循着一条( 或多条) 路径到达root ( physical object物理物件)，如果每一个名词仅一条路径到达root 者便先加入树状结构中，若有多条路径则采用最短路径。依照这样的方式建构出一个WordTree，一个视觉概念的阶层式模型(Hierarchical Model)。

一旦WordTree 被建构出来，那么我们便可以计算出每一个节点之机率以及下位节点之条件机率 :


原本的Label Space 是1000 维的空间，现在引进了WordTree 后，会变成一个1369 维的空间。而前面有提到，softmax 必须要在类别互斥的前提下进行，因此在机率计算上面也要有所改变，一个节点的所有下位词都会进行一次softmax。

这样的作法，我们提高了label 维度，但准确度下降不多。再者，若我们给出一张不确定类别的图象( 一张看不出来种类的狗图片) 进行预测，可能在下位词( 各种类别的狗) 的预测机率会很低，但在上位词( 狗) 的部分可以有着较高的预测机率。

上述的分类预测上可以有着不错的预测，在物件侦测上仍然可以用这样的方式训练。

我们会给定一个阀值，首先侦测模型上会先预测
，来确认是否存在待预测的物件，之后随着WordTree 往下遍历每一个类别，并给给出每一个节点的机率，分裂时会往机率较高的节点往下走，最后给出一个高于阀值的节点类别作为预测类别。

Dataset combination with WordTree (利用WordTree 结合资料集)

我们可以使用WordTree将多个数据集以一种合理的方式组合在一起。我们只需将数据集中的类别映射到树中的synsets。图6显示了一个使用WordTree组合ImageNet和COCO标签的示例。WordNet是非常多样化的，所以我们可以对大多数数据集使用这种技术。

Joint classification and detection (联合分类及侦测演算法)

既然WordTree 可以扩展ImageNet 的标注，那么也可以用来结合不同的资料集，为了可以训练出一个大型的物件侦测系统，论文中利用WordTree 来结合COCO 资料及以及ImageNet 的前9000 个标注类别资料，这样庞大的资料集一共有9418 个类别。
由于ImageNet 相对来说比COCO 资料集大非常多，作者有针对COCO 进行Oversampling ( 超取样、过取样)，来让两者的比例接近4:1。

利用这样的资料集来对YOLOv2 进行训练，但原本选择5 个Anchor Boxes 改为3 个。

若今天模型处理「侦测样本」时，对于分类误差我们只会分配给相同级别以上的类别，举例来说，今天如果label 是「狗」，那我们便只会将分类误差往上分配，而不会配给「狗」以下的节点。这其实很直觉，因为以下的节点该怎么分类我们完全没有资讯。

若今天要处理的是「分类样本」时，我们只需要处理Loss function 中的分类误差项即可，因此，找出拥有此分类机率最高的边界框，然后在WordTree 上计算误差即可。
除此之外，论文中还给了一个条件，预测边界框必须与真实边界框有大于的IOU。
经过这样的联合训练后，YOLO9000 可以预测超过9000种物件，并且在半监督学习的条件下学习到一些成果。(我不会说它非常厉害，因为事实上它的mAP 也还不到20%)

5、Conclution (结论)

这篇论文中提出了两个即时的物件侦测系统–YOLOv2 以及YOLO9000。
YOLOv2 可以在多种尺寸图像中运行，并且在速度与精准度之间取得平衡; YOLO9000 则是提供一个即时框架，利用物件侦测及分类的联合训练演算法以及WordTree 资料集来侦测多达9000种物件。
WordTree 的概念可以让分类标注提供更大的运用空间，并且可以利用来进行弱监督学习，也可以利用这样的概念结合各种不同任务的资料集，对于分类有很大的助益。

📝 参考
[论文] YOLO9000 : Better, Faster, Stronger 解读
YOLOv2——引入：Anchor+特征融合 (目标检测)(one-stage)(深度学习)(CVPR 2017)
深度学习中 Batch Normalization为什么效果好？