YOLO v2 检测原理

YOLO v2论文地址： YOLO9000: Better, Faster, Stronger

v2版本的优化目标：改善召回率，提升定位精度，保证分类准确度。

YOLOv2相比YOLOv1的改进：

1. Batch Normalization（批规范化BN层应用）

v2在每一个卷积之后增加了BN层，提高了网络训练的速度，加快了收敛，消除了对其他正则化的依赖，且正则化效果更好，使调参更简单，即使去掉Dropout层也不会产生过拟合。

 

2. High resolution classifier（高分辨率）

v1先使用224×224的分辨率在ImageNet上Fine Tune，而后为了提高定位精度，更改分辨率为448×448后，在VOC2007上继续训练，这在一定程度上干扰了Fine Tune的网络，需要重新调整参数适应新的分辨率。
v2直接使用448×448的分辨率在ImageNet上Fine Tune 10个epoch，一开始就使用了更高的分辨率。

 

3. Convolution with anchor boxes（基于卷积的候选区域）

anchor boxes其实就是有可能存在物体的候选区域，这里的anchor boxes其实是YOLOv2从Fast-RCNN系列检测算法借鉴来的。在Fast-RCNN中，先通过区域建议网络（RPN，仅含卷积层，不含全连接层）预测出潜在含物体的anchor boxes（候选区域）的偏移（注意是偏移而不是坐标）和置信度，再从这些挑出的anchor boxes中去检测物体。
作者在v2中发现自己在v1中吐槽过的RPN步骤效果还是蛮不错的，并且通过预测boxes的偏移量而不是坐标值可以简化问题，使网络更容易训练。
v2中去掉了全连接层，使用卷积来预测Anchor Boxes，并且去掉了v1网络中的一个池化层，以提高卷积输出的分辨率。
v2网络的输入分辨率更改为416×416而不是448×448，这样做是为了下采样32倍之后最终的得到的特征图大小是奇数×奇数（416下采样32是13,448下采样32是14），这样13×13的特征图有中心单元格，这个技巧一定程度上提升了检测效率。这13×13的特征图类似于v1中的7×7的分割区域，13×13中的每个像素点负责预测9个Anchor Boxes（候选区域），这样在v2中每张图片上最多可以有13×13×9=1521个候选boxes，在v1中这个值是7×7×2=98个boxes。
采用Anchor Box让YOLO的精确度稍微下降，但是增加了在单张图片上目标的检测数量（可超过一千个），也提高了召回率（由81%提升到88%）。

 

4. Dimension clusters（维度聚类）

Dimension clusters（维度聚类），YOLO v2中的这个改进是关于初始Anchor Boxes的大小和数量的。之前使用Anchor Box的系统都是手动设定初始Box的大小的，V2中作者使用k-means聚类的方法在训练集的物体边框数据集（注意不是图像本身，而是边框的数据）上得到了不同数量个Box，并作了对比实验，聚类的Box多了，会导致模型的计算量增大，错误率升高，Box少了会导致召回率降低。
经过实验，作者确定在他的训练数据集上聚类数量是5的时候是一个准确率和召回率的平衡值。
总之，作者在维度聚类这个点上优化了Anchor Boxes的赋值方式，包括数量和Box大小，通过在训练数据上的物体的边框数据集上经过5个分类的k-means的聚类，得到5个初始Anchor Boxes的大小。
所以咱们训练的时候，最好也根据自己的训练集的特点，生成自己的Anchor Boxes数据，作者的数据是 anchors = 1.08,1.19,  3.42,4.41,  6.63,11.38,  9.42,5.11,  16.62,10.52。

 

5. Direct location prediction（直接位置预测）

经典的Fast-RCNN算法中对Anchor Boxes位置的预测是通过偏移量定义的，作者认为这种计算方式是不受约束的，需要训练很长时间才能稳定预测到可感知的偏移，并且最大的弊端是导致模型的不稳定，特别是在前几轮迭代过程中。
YOLOv2不去预测Boxes的偏移，而是采用跟YOLOv1中类似的方式，预测Boxes相对于网格单元位置的坐标，并通过逻辑激活函数将坐标值约束在[0,1]。
通过这个“相对坐标”到“绝对坐标”的优化，YOLOv2训练更容易，参数更容易学习，网络更稳定。

 

6. Fine-Grained Features（细粒度特征）

YOLO v2在最终的13×13的特征图上进行预测，对大尺度的物体预测没有问题，但是对于小体积的物体的预测还是不够的。对于Anchor Box的产生，Fast—RCNN和SSD都是在不同层次的特征图上进行的，从而获得了多尺度的候选框，满足对大小不等物体的检测需求。
YOLOv2改进了这一流程，在13×13特征图的上一层特征图（大小26×26）上，添加了一个转移层（passthrough layer），把这一层特征跟下一层的13×13的特征图相融合，这一操作类似于Resnet中的identity mappings。融合后的特征拥有了更多的细粒度特征，对小物体的检测定位效果有提升约1%。

具体来说就是特征重排（不涉及到参数学习），前面26 * 26 * 512的特征图使用按行和按列隔行采样的方法，就可以得到4个新的特征图，维度都是13 * 13 * 512，然后做concat操作，得到13 * 13 * 2048的特征图，将其拼接到后面的层(维度是13*13*1024)，相当于做了一次特征融合，有利于检测小目标。

 

7. Multi-ScaleTraining（多尺度训练）

v1的输入是448×448,v2中加入了anchor Boxes，输入尺寸变成了416×416（为了获得奇数×奇数特征图）,YOLO v2作者同时希望v2版本在不同尺寸输入图片上都可以稳健检测，所以作者在训练过程上进行了优化。
不同于固定输入网络的图片尺寸的方法，作者在训练过程中每经过10个epoch之后就会随机选择新的图片尺寸。YOLO网络图片尺寸更改使用的参数为32，每次把图像扩大或缩小32的倍数大小，最小的尺寸为320 * 320，最大的尺寸为608 * 608。接着按照输入尺寸调整网络进行训练。
这种机制使得网络可以更好地预测不同尺寸的图片，意味着同一个网络可以进行不同分辨率的检测任务，在小尺寸图片上YOLOv2运行更快，在速度和精度上达到了平衡。

 

 

YOLO v2网络框架

YOLO v2特征提取分类网络

以往的网络框架多是以VGG网络为基础提取特征的，VGG网络的复杂度有些冗余，运算量很大，224 * 224的图片进行一次前向传播，其卷积层就需要多达306.9亿次浮点数运算。
YOLO v2使用了新的分类网络，是在GoogleNet网络基础上改进的，比VGG-16更快，一次前向传播仅需85.2亿次运算，精度略低于VGG，使用了较多的3×3卷积，在每一次Maxpool层之后都把特征通道数扩充至两倍，网络最后使用的是平均池化，最终的网络结构包含了19个卷积层，5个最大池化层，一个平均池化层，特征提取网络（命名为Darknet-19）具体结构如下：

作者在Darknet-19网络上训练了224×224和448×448分辨率的ImageNet数据，达到分类top-1准确率76.5%，top-5准确率93.3%。

 

YOLO v2训练

v2的训练网络去掉了Darknet-19的最后一个卷积层，增加了3个卷积核大小是3×3的卷积层，特征维度是1024，并且在每一个上述卷积层后面跟一个1 * 1的卷积层，输出维度是预先定义的检测的物体的类别数量。
对于VOC数据集，从预测出的每个网格单元（13×13,共169个网格）中预测5个boxes，每个box包含5个坐标值和20个类别，所以每个网格总共是5 * （5+20）= 125个输出维度，对于整个图片的输出是13×13×125维的Tensor。同时也添加了转移层（passthrough layer ），从最后那个3 * 3 * 512的卷积层连到倒数第二层，使模型有了细粒度特征。