【论文阅读笔记】YOLO9000: Better, Faster, Stronger
YOLO9000: Better, Faster, Stronger
- （一）论文地址：
- （二）核心思想：
- （三）YOLO 的不足：
- （四）Batch Normalization：
- （五）High Resolution Classifier：
- （六）Convolutional With Anchor Boxes：
- （七）Dimension Clusters
- （八）Fine-Grained Features：
- （九）Multi-Scale Training：
- （十）Darknet-19：
- （十一）Joint Training：
- （十二）实验结果：
（一）论文地址：
https://arxiv.org/abs/1612.08242
（二）核心思想：
作者在 YOLO 的基础上，使用了批量标准化（Batch Normalization）、高分辨率分类器（High Resolution Classifier）和预选框（Anchor Boxes）等方法，提出了一个更为高效的 YOLO v2；
并在此基础上，使用联合训练（Joint Training）算法，能够在有大量分类的图像识别数据集训练目标检测任务，由此训练出的 YOLO 9000 能够识别 9000 个物体；
（三）YOLO 的不足：
- 采用了直接回归坐标的方式，对于精准预测不够准确；
- 具有较低的召回率（recall）；
（四）Batch Normalization：
Batch Normalization（批量标准化）是 Google 团队在 Inception V2 中提出的方法，核心是使用一个线性变换，将批量数据规范到均值为 0、方差为 1 的正态分布上，从而解决了随着网络层数不断加深，造成的梯度消失的问题，并且还具有正则化的效果；
作者因此在 YOLO 中大量使用了 Batch Normalization，使得原来的 mAP 上升了 2%，并且无需再使用 Dropout；
（五）High Resolution Classifier：
以前的目标检测网络通常都是，将 Backbone 在 ImageNet 上通过分辨率小于 256 × 256 256×256 256×256 的分类图片进行预训练，这就意味着 Backbone 在参与目标检测任务的训练时，需要向检测任务和高分辨率图片做转换；
作者提出使用相同分辨率的图像（ 448 × 448 448×448 448×448）预训练 Backbone，并只在 ImageNet 上训练 10 个 Epoch，由此使得 mAP 上升了 4%；
（六）Convolutional With Anchor Boxes：
为了解决预测框不准确的问题，作者不再使用 YOLO 采用全连接层直接预测预测框坐标的方法，而是采用了跟 Faster-RCNN 相似的预选框的方法；
作者移除了 YOLO 中的全连接层和一个 max pooling 层，来最终得到一个较大的卷积层；
并且为了使图像最后的预测具有单中心网格，作者使用了 416 × 416 416×416 416×416 大小作为输入，下采样参数为 32 32 32（即 2 5 2^5 25），最后得到了一个 13 × 13 13×13 13×13 大小的特征层；
在使用 Anchor Boxes 之后，虽然 mAP 下降了 0.3%，但是召回率从 81% 上升到了 88%，因此 YOLO v2 还有很大的改进空间；
（七）Dimension Clusters
由于 Faster-RCNN 和 SSD 的先验框大小都是手动设定的，可能并不能很好地表征目标，因此作者在这里采用了 K-means 聚类算法选取合适的先验框数；
距离指标为：
综合考虑模型复杂度和召回率，最终选定 k = 5 k=5 k=5；
对于最后的特征层（大小为 13 × 13 13×13 13×13），每个网格预测 5 个坐标信息 { t x , t y , t w , t h , t o } \lbrace t_x,t_y,t_w,t_h,t_o\rbrace {tx,ty,tw,th,to}，则有：
其中 b x , b y , b w , b h b_x,b_y,b_w,b_h bx,by,bw,bh 就是最后的预测框坐标， c x , c y , p w , p h c_x,c_y,p_w,p_h cx,cy,pw,ph 是 Anchor Box 的坐标；
并且使用 σ ( t o ) \sigma(t_o) σ(to) 作为置信度；
（八）Fine-Grained Features：
作者为了融合 low-level 的特征设计了 passthrough 层，即取出了最后一个池化层的特整层（大小为 26 × 26 × 512 26×26×512 26×26×512），将每个 2 × 2 2×2 2×2 局部空间区域转换成 channel 特征，就得到了一个 13 × 13 × 4048 13×13×4048 13×13×4048 的用于预测的特征层；
（九）Multi-Scale Training：
由于 YOLO v2 只使用了卷积层和池化层，因此可以接收不同大小的图像输入参与训练，从而使得 YOLO v2 对不同大小的图像都具有鲁棒性；
作者在训练时采用了 32 倍数的输入大小为，分别为： 320 , 352 , . . . , 608 320, 352, ..., 608 320,352,...,608，每 10 个 epoch 重新随机选取一个输入大小；
（十）Darknet-19：
作者还为 YOLO v2 设计了一个 Backbone，大致与 VGG 相同，但大量使用了 1×1 卷积降维，并在最后使用了一个 Global Pooling：
（十一）Joint Training：
这里既使用了目标检测的数据集，也使用了图像识别的数据集，其中用于图像识别的数据，在反向传播时只是用了分类 Loss，并使用了层级分类标签：
（十二）实验结果：
