YOLOv2—passthrough层

YOLO v2论文：YOLO9000: better, faster, stronger

提到passthrough层，必须提及Darknet-19（有19个卷积层和5个MaxPooling层）网络结构。（DarkNet-19比VGG-16小一些，精度不弱于VGG-16，但浮点运算量减少到约1/5，以保证更快的运算速度）。

YOLO2的训练主要包括三个阶段。

• 第一阶段就是先在ImageNet分类数据集上预训练Darknet-19，此时模型输入为 224*224 ，共训练160个epochs。
• 第二阶段将网络的输入调整为 448*448
  ，继续在ImageNet数据集上finetune分类模型，训练10个epochs，此时分类模型的top-1准确度为76.5%，而top-5准确度为93.3%。
• 第三个阶段就是修改Darknet-19分类模型为检测模型，移除最后一个卷积层、global
  avgpooling层以及softmax层，并且新增了三个 331024卷积层，同时增加了一个passthrough层，最后使用11 卷积层输出预测结果，输出的channels数为：num_anchors(5+num_classes) 。
  
• 22,23,24层：新增的三个 331024卷积层；
• 27层：增加的passthrough层；

现在看下passthrough层：

1. passthrough层的来源（细粒度特征）：上图中第25层route 16，意思是来自16层的output，即2626512。
2. passthrough层的处理：
   利用1164卷积降低第25层2626512（实际来自16层）的通道数，从512降低到64（这一点论文在讨论passthrough的时候没有提到），输出262664（见第26层）。
   第27层进行拆分（实际的passthrough层）操作，1拆4分成1313256。】
3. 将passthrough层和最后一层卷积层结合：
   第28层叠加27层和24层的输出（13x13x1024+13x13x256），得到13131280。
   后面对passthrough层操作结果13131280再经过33卷积和11卷积，最后输出1313125。