深度网络中的目标检测算法YOLO系列-YOLOv2论文理解

一、简述

YOLOv2 ---YOLO9000

YOLO9000可以检测超过9000种类别的实时检测系统。
采用多尺度训练方法，YOLOv2可以根据速度和精度需求调整输入尺寸。目标检测和分类的共训练方法，采用该方法使得可以实时检测9000类别。

Better-更好

1、Batch Normalization—批标准化

提高了网络收敛性。通过对YOLO的每一个卷积层增加Batch normalization，去掉Dropout，也不会产生过拟合。

2、High resolution classifier—高分辨率分类器

YOLO从224 * 224增加到了448 * 448，采用新的高分辨率在分类数据集上预训练10个epoch。

3、convolutional with anchor boxes—提出anchor进行卷积学习

去除了YOLO的全卷积层（之前时采用全连接层直接预测bbox），采用固定框（Anchor boxes）来预测bbox。
首先，去除了一个pooling层，来提高卷积层分辨率。然后，修改网络输入尺寸，448-》416，使得特征图只有一个中心。输入尺寸416，下采样率32倍，输出13 * 13尺寸的特征图。
采用anchor boxes，提高了精度。在LOYO时，每张图预测98个boxes（7 * 7 * 2）。YOLOv2则可以超过1000个boxes。（845 = 13 * 13 * 5），其中5是num_anchor，论文中使用了5.

4、dimension clusters—维度聚类 *

之前Anchor boxes的尺寸是手动选择的，如果选出更好的boxes，可以让模型更容易。在gt上跑了一下K-mean聚类，来选择比较好的Anchor值。
k=5时，有提升。k=9，提升就更加明显。（当然，具有的值还是试试比较好）

5、direct location prediction—直接预测 *

用Anchor boxes的方法。会让model变得不稳定。由于没有约束，所以anchor box可以时图像中的任意点。为了让网络进行预测落在固定范围，网络使用一个logistics activation来对网络结果进行限制。
网络在每一个网格单元gird cell中预测出5个bounding boxes。每个bbox有五个坐标值（tx，ty，tw，th，t0）。假设一个网格单元对于图像左上角的偏移量是 cx，cy，bbox prior的宽高（pw，ph）(上面设定的anchor)，那么预测结果就是
bx = f(tx) + cx；
by = f(ty) + cy；
bw = pw e^tw
bh = ph e^th

6.fine-grained features—细粒度特征（多尺度特征融合）

YOLO加了一个Pass through layer，获取之前某个26*26分辨率的层的特征。这个pass through layer把高分辨率特征和低分辨率特征联系在一起，方法是把相邻的特征堆积在不同的channel之中。从而把26 * 26 * 512–>13 * 13 * 2048。（直接展开堆积到通道上）

7.multi-scale training—多尺度训练

最初的YOLO输入尺寸为448 * 448，加入anchor boxes后，输入尺寸416 * 416。模型只包含卷积层和池化层，因此可以随意改变输入尺寸。
训练时，每隔几轮便改变模型尺寸，以使模型对不同尺寸图像具有鲁棒性。每个 10 batches，模型随机选择一种新的输入尺寸（320，352，……，608）32的倍数，因为模型下采样因子为32。最小320 * 320，最大608 * 608，改变输入尺寸，继续训练。

Faster–更快

YOLO使用了类似GoodLenet的网络结构，计算量比VGG16小，但精度不变。

Darknet-19 有19个卷积层和5个max pooling层

YOLOv2使用3 * 3 filler，每次pooling之后都增加一倍channel的数量。YOLOv2使用全局平均pooling，使用batch normilazation来让训练更稳定，加速收敛，使得model规范化。

分类训练

网络训练在ImageNet 1000类分类训练集，训练了160epochs，使用随机梯度下降，初始学习率为0.1，power 4，weight decay 0.0005，momentum 0.9.
使用标准的数据预处理方法：随机裁剪，旋转，变换颜色，饱和度，曝光度。
（预训练）在训练时，先在224224的图像上初始训练，然后在大分辨率448448，训练10个epoch，初始学习率0.001.

检测训练

网络去掉了最后一个卷积层，后加上了三个33卷积层，每个卷积层有1024个filters，每个卷积层接一个11卷积层，Filter个数为需要输出数。对于VOC数据，网络预测出每个网格单元预测五个bounding Boxes，每个BBoxes预测5个坐标和20类，所以一共125个Filter（(20+5)*5）
网络训练了160epoches，初始化学习率0.001，分隔为10，60，90epochs，weight decay 0.0005，monentum 0.9，数据增广相同。