【目标检测】one-stage------YOLO v2浅析-2016

every blog every motto: There’s only one corner of the universe you can be sure of improving, and that’s your own self.
https://blog.csdn.net/weixin_39190382?spm=1010.2135.3001.5343

0. 前言

梳理yolo v2

bbd: 没耐心仔细看了，摔，

1. 正文

时间： 2016
论文： https://arxiv.org/abs/1612.08242
代码： https://github.com/pjreddie/darknet

slides: https://docs.google.com/presentation/d/14qBAiyhMOFl_wZW4dA1CkixgXwf0zKGbpw_0oHK8yEM/edit#slide=id.g23f389e290_1_13

作者： Joseph Redmon∗† , Ali Farhadi∗†
作者单位： University of Washington , Allen Institute for AI

---

1. 正文

总览

1.1 改进点

改进点主要有：

1. Better

1.1 BN

卷积层后添加Batch Normalization层，去掉原有的dropout层，涨点约2%mAP

1.2. High Resolution

先在ImageNet上以224×224训练，再调整图片大小为448×448finetune10个eopchs涨点约4%mAP

1.3. Anchor Boxes

v1中使用全连接层对边框进行预测，导致信息丢失，定位不准。v2中去掉了全连接层，使用了anchor boxs，同时，为了得到更高分辨率的特征图，去掉了一个池化。最终是网络输入为416 × 416，网络进行32倍下采样，最后得到13 × 13 的特征图，每个cell预测5个anchor box，一共可以预测13×13×5 = 845个框。召回率有81%提高到88%，mAP有69.5%降到69.2%。即，
召回率提升7%，准确率下降了0.3%。

1.4. Dimension Clusters

在Faster R-CNN中，anchor box是先验手动产生的 ，v2中采用k-means对训练数据的边界框进行聚类，选用boxes之间的IoU作为聚类指标。选取了5个聚类中心，得到5个先验框。

1.5. Darknet-19

使用了新的模型结构，包含19个卷积和5个maxpooling层。主要采用3×3的卷积，2×2的maxpooling。并且在3×3卷积之间使用1×1卷积来压缩特征图的通道降低模型计算量和参数。

mPA没有显著提升，但是计算量可以减小约33%

1.6. 直接预测位置

在yolo v2 中借鉴了Faster R-CNN中的Anchor box，在Faster R-CNN中是预测边框的四个坐标值的偏移量(如下图所示），由于没有对偏移量进行约束，每个位置预测的边界框可以落在图片的任何位置，会导致模型不稳定，加长训练时间。 yolo v2 沿用了v1的方法，预测相对“格子”（“格子”就是最后网络输出特征图的像素）的值，其值介于0和1之间。网络中让网络预测的结果输入sigmoid，这样值就介于0和1之间。

与 v1 类似，我们对框一共预测了四个值，分别是，框的中心点坐标x,y，以及框的长宽 w,h。为了使模型更稳定，使用了sigmoid将值约束到0和1之间。

预测框中心相对与所在“格子”的坐标$\sigma (t_x)$和$\sigma (t_y)$，再加上当前格子相对整个格子左上角的坐标$c_x$和$c_y$就能确定预测框相当于整个格子的坐标：

$$b_x=\sigma (x)+c_x$$
$$b_y=\sigma (y)+c_y$$

1.7. Fine-Grained Features

如图，不同分辨率的特征图在通道方向上合并，

1.8. 多尺度训练

为了增强模型的鲁棒性，采用多尺度输入训练策略。具体说就是每迭代10次更改输入图片大小。

2. Faster

2.1 Darknet-19

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

[1] https://www.cnblogs.com/limbercode/p/16154869.html#_label0
[2] https://blog.51cto.com/u_15490502/5219745
[3] https://www.jianshu.com/p/87645a11b510
[4] https://blog.csdn.net/qq_38375203/article/details/125502438
[5] https://blog.csdn.net/weixin_43694096/article/details/123523679
[6] https://zhuanlan.zhihu.com/p/366370644
[7] https://baijiahao.baidu.com/s?id=1717730887250972083&wfr=spider&for=pc
[8] http://www.qb5200.com/article/391620.html
[9] https://blog.csdn.net/m0_37940804/article/details/116244606
[10] https://blog.csdn.net/qq_42735631/article/details/121456856
[11] https://www.captainai.net/diffie/
[12] https://blog.csdn.net/weixin_39190382/article/details/125945387?spm=1001.2014.3001.5501