YOLO9000读书笔记

  YOLOv2作为YOLO的第二个版本，在思想上仍然延续了YOLO的总体思路，还是单阶段检测。其实，作者主要是结合了当时其他人一些较好的方法或者techniques来改进YOLO。
  1、Batch Normalization
  在每一个卷积层之后增加一个BN层。
  2、高分辨率
  增加输入图片的分辨率，首先用448 * 448的分辨率在ImageNet上训练10个epoches。然后把这个网络经过fine-tuning用于检测。
  3、Convolutional with anchor boxes
  （1）借鉴faster r-cnn关于RPN的思想，在特征图的每一个格子中手动生成anchor。关于定位，预测的是坐标的偏移量而不是直接预测坐标，这样有助于网络学习。
  （2）去除了YOLO中的全连接层，去除了最后一个池化层。以416 * 416为输入的分辨率，最终的输出经过了32倍下采样，因此输出的结果是13 * 13。（因为YOLO是以格子来预测物体，所以奇数个格子可以确保物体的中心只落在一个格子中）
  （3）从格子中解耦关于物体概率的预测，而把这个工作交给bounding box来完成。因此，每一个bounding box输出的结果维度是：25（4个坐标+1个置信度+20个分类概率）
  4、Dimension cluster
  作者通过对gt_box聚类的方法，最终选取了5种不同形状的bounding box（对比faster r-cnn是采用了9种不同的anchor)，这种方法选取的anchor更具有针对性。聚类的结果显示：这5种anchor的形状大多是瘦高形状的，矮胖型的很少。
  5、Direct location prediction
  关于坐标的预测问题，作者改变了faster r-cnn中关于中心点坐标偏移量的预测方法，而对宽度和高度的缩放量进行预测则是和faster r-cnn中一致。
  为什么要这么做呢？作者认为产生的bounding box有可能出现在任何位置，这样会导致收敛困难。
  （ ps：我觉得作者的想法有待商榷，因为在faster r-cnn中，会计算每个anchor和gt_box的IOU，如果IOU大于阈值0.7，那么对应的anchor才会被采用，如果0.3   从作者提供的公式来看（不支持公式，就不上公式了），处理方式还是延续了YOLO的思想，计算bounding box的中心点和所在格子左上角坐标的偏移量，来达到归一化的目的。这种做法，会把bounding box的中心点限制在每个格子距离为1的范围之内，确实可以加快收敛的速度。
  6、Fine-Grained Features
  YOLOv2在最后生成的13 * 13的特征图上进行检测，对于大目标的物体来说是足够 的。但是，对于小物体的检测能不能提高效果呢？所以，作者借鉴了SSD中在不同的feature map上进行检测的方法（在前面的特征图中检测小目标，在后面的特征图中检测大目标）。
  但是，实现的方法和SSD中不同，作何借鉴了ResNet中的思想，增加了一个passthrough层来实现。作者把倒数第2层，即 26 * 26 * 512这个feature map直接进行reshape，变成 13 * 13 * 2048，然后把它和最后一层13 * 13的feature map进行concat。