本文主要介绍了 YOLOV2的
Better和Faster部分
- Better
YOLOV1存在如下两个缺点：
- 定位误差大
- 与基于
region proposal的方法相比，召回率低
因此，我们集中 提高定位准确性和召回率，同时保证分类的准确性
1.1 Batch Normalization
BN可以显著改善模型的收敛性，通过在每个卷积层的后面增加 BN层，模型提高了2%的mAP。通过 BN，我们可以在保证模型不会过拟合的情况下，丢弃 dropout层
1.2 High Resolution Classifier
所有先进的检测算法都会在 _ImageNet_预先训练好分类器，原来的YOLOV1在进行预训练时使用的是 224x224的输入，然后再检测时将输入的分辨率调 448x448，这意味着模型还要适应图像分辨率的改变。而对于YOLOV2， 我们会在检测之前在 ImageNet 以分辨率为 448x448 训练10个epoch，这使得模型有时间再更高的分辨率输入的情况去调整参数，实验表明这样可以提高 4%的mAP
1.3 Convolutional With Anchor Boxes
原来的YOLOV1直接利用全连接层来预测bounding box的坐标信息， 而YOLOV2采用了Faster R-CNN的方法，引入了anchor。我们将原来网络的全连接层和最后一个pooling层去掉，使得最后的卷积层能输出更高分辨率的特征图。我们还缩减了网络， 用 416x416 分辨率大小作为输入，而不是 448x448 。这样做的原因是希望得到的特征图有着奇数的宽和高，这样特征图的中心就只有一个，因为大的目标一般会占据图像的中心，所以最好在中心有一个单一的位置来预测这些目标。
网络会经过32倍下采样，最后输入13×13大小的特征图
使用anchor，模型的mAP值从69.5降到了69.2，下降了一丢丢，而召回率却从81%提高到了88%
1.4 Dimension Clusters
我们发现anchor的大小和比例都是手工按经验挑选的，然后网络会去调整这些anchor，如果我们最初就能选择合适大小的anchor，这样网络就更容易去学会预测。
我们采用K-means 对训练集的boxes进行聚类，寻找合适的anchor。但是如果我们采用欧式距离来度量，这会导致尺寸大的box其误差也会更大**，然而我们真正想要的是与box大小无关，因此我们重新定义距离度量：
d ( b o x , c e n t r o i d ) = 1 − I O U ( b o x , c e n t o r i d ) d(box, centroid)=1-IOU(box, centorid)d (b o x ,c e n t r o i d )=1 −I O U (b o x ,c e n t o r i d )
聚类结果显示大多数box都是高瘦，而矮胖的box较少。我们平衡了模型的复杂度和召回率，选择了k = 5 k=5 k =5
上表表示我们选择的5种anchor与Faster R-CNN的9种anchor效果差不多
; 1.5 Direct location prediction
引入anchor的第二个问题：模型不稳定，特别是在早期训练时。大部分的不稳定性来自于预测box的( x , y ) (x,y)(x ,y )值。预测时计算公式如下：
x = ( t x ∗ w a ) + x a y = ( t y ∗ h a ) + y a x=(t_x * w_a)+x_a \ y=(t_y*h_a)+y_a x =(t x ∗w a )+x a y =(t y ∗h a )+y a
这里是按照Faster R-CNN里面的公式写的，与原文不一样
比如当t x = { 1 , − 1 } t_x={1,-1}t x ={1 ,−1 }， 预测box的横坐标可以出现在图像的任意位置，但我们更希望每个 anchor 仅能预测附近的 GT box ，因为其他位置的 GT box 也应该由其附近的 anchor 来预测而不是远离当前 GT box 的 anchor 来预测
我们采用了原来YOLOV1的方法预测相对于 grid cell的坐标位置，而不是直接预测 offset偏移量
网络在输出特征图的每个网格单元预测 5个 bounding box，对于每个 bounding box预测5个坐标：t x , t y , t w , t h , t o t_x, t_y, t_w, t_h, t_o t x ,t y ,t w ,t h ,t o 。如果这个网格单元相对于图像的左上角的偏移量为c x , c y c_x, c_y c x ,c y 并且anchor的宽高为p w , p h p_w,p_h p w ,p h ，那么预测对应于：
b x = σ ( t x ) + c x b y = σ ( t y ) + c y b w = p w e t w b h = p h e t h P r ( o b j e c t ) ∗ I O U ( b , o b j e c t ) = σ ( t o ) b_x = \sigma(t_x) + c_x \ b_y = \sigma(t_y) +c_y \ b_w = p_we^{t_w} \ b_h = p_he^{t_h} \ Pr(object)*IOU(b, object)=\sigma(t_o)b x =σ(t x )+c x b y =σ(t y )+c y b w =p w e t w b h =p h e t h P r (o b j e c t )∗I O U (b ,o b j e c t )=σ(t o )
1.6 Fine-Grained Features
这里主要是添加了一个层： passthrough layer。这个层的作用就是 将前面一层的 26*26 的 feature map 和本层的 13*13 的 feature map 进行连接，有点像ResNet。这样做的原因在于虽然 13*13的 feature map对于预测大的 object以及足够了，但是对于预测小的 object就不一定有效。也容易理解，越小的 object，经过层层卷积和pooling，可能到最后都不见了，所以通过合并前一层的 size大一点的 feature map，可以有效检测小的 object
1.7 Multi-Scale Training
由于我们的模型只有卷积和池化，我们可以动态的调整输入图像的大小，于是我们引入了多尺度训练，我们每隔10次迭代随机选择一个新的图像大小进行输入。由于我们的模型的 下采样是32倍，因此我们从{ 320 , 352 , . . . , 608 } {320,352, …, 608}{3 2 0 ,3 5 2 ,…,6 0 8 }去选择。
这种方式会强迫模型学会在各种输入维度上做出准确的预测，网络在小尺寸运行较快，所以YOLOV2在速度和准确性做了个简单的权衡
; 2. Faster
2.1 Darknet-19
这个网络在ImageNet上取得了top-5的91.2%的准确率
; 2.2 Training for classification
我们首先在ImageNet数据集上训练160个epochs，其中在训练期间使用的数据增强方式有：随机裁剪、旋转以及色度，饱和度和对比度的调整。
然后我们在对网络初步训练后，微调了我们的网络，采用了 448x448作为输入，训练10个epochs
2.3 Training for detection
将网络转换为进行检测，我们删除最后一个卷积层，然后添加3个 3x3的卷积层，每个卷积层有 1024个 filter，而且每个后面跟着一个 1x1卷积层，其 filter的个数由需要检测的类别数来确定
参考：
Original: https://blog.csdn.net/qq_42735631/article/details/121456856
Author: 何如千泷
Title: YOLOV2论文详解
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/683154/
转载文章受原作者版权保护。转载请注明原作者出处！