YOLOv2-详解（翻译、总结和思考）

YOLOv2-详解

YOLO9000:Better, Faster, Stronger

论文下载：https://arxiv.org/abs/1612.08242

代码下载：https://pjreddie.com/darknet/yolo/

摘要

首先，提出了相对于yolov1做出的改进。yolov2采用多尺度训练方法，可以对不同大小的图片进行处理，实现检测速度与精度的先对平衡。67fps时，在voc2007数据集上达到76.8map，40fps时，达到78.6map，性能由于采用resnet的fasrer r-cnn和ssd算法。最后，提出一种联合训练目标检测和分类的方法，可以同时在coco目标检测数据集和imagenet目标分类数据集上进行训练，联合训练方法允许YOLO9000预测没有标记检测数据的目标类的检测。

（一）简介

当前相对于分类任务来说，目标检测数据集比较有限，标注目标检测数据集的成本也比较昂贵。论文提出一种新方法，使用当前已有的大量目标分类数据集，扩大目标检测系统的范围。使用目标分类的层次视图，允许将不同的数据集合在一起。另外，提出一种联合训练算法，允许我们在目标分类和目标检测数据集上训练目标检测器，该方法使用标注的检测图像学习目标的位置信息，使用分类图像增加语义和鲁棒性。采用这种方法训练的yolo9000模型可以检测9000种目标类别。

（二）方法

yolov1产生大量定位误差，并且与基于候选区域的目标检测算法相比，yolov1的召回率较低。因此，主要在保证精度的前提下，提高召回率和定位精度。

1. Batch Normalization（批标准化）

参考：https://blog.csdn.net/hjimce/article/details/50866313

           https://zhuanlan.zhihu.com/p/24810318

文献来源：《Batch Normalization: Accelerating Deep Network Training by  Reducing Internal Covariate Shift》，与《Spatial Transformer Networks》结构相似。

Batch Normalization, 批标准化, 和普通的数据标准化类似, 是将分散的数据统一的一种做法，具有统一规格的数据, 能让机器学习更容易学习到数据之中的规律。

yolov2中在所有卷积层后添加Batch Normalization，map增加2%，且有助于规范化模型。

2. high resolution classifier（分辨率更高的分类器）

作者首先对分类网络（自定义的darknet）进行了finetune，分辨率改成448 * 448，在ImageNet数据集上训练10轮（10 epochs），训练后的网络就可以适应高分辨率的输入了。然后，作者对检测网络部分（也就是后半部分）也进行finetunefinetune。这样通过提升输入的分辨率，mAP获得了4%的提升。

3. convolutional with anchor boxes（）

 

（三）知识点学习

1. 平移不变性（分类）

摘抄：https://blog.csdn.net/ytusdc/article/details/107666902

不变性意味着即使目标的外观发生了某种变化，但是你依然可以把它识别出来。这对图像分类来说是一种很好的特性，因为我们希望图像中目标无论是被平移，被旋转，还是被缩放，甚至是不同的光照条件、视角，都可以被成功地识别出来。

所以上面的描述就对应着各种不变性：

• 平移不变性：Translation Invariance
• 旋转/视角不变性：Ratation/Viewpoint Invariance
• 尺度不变性：Size Invariance
• 光照不变性：Illumination Invariance

 

在欧几里得几何中，平移是一种几何变换，表示把一幅图像或一个空间中的每一个点在相同方向移动相同距离。比如对图像分类任务来说，图像中的目标不管被移动到图片的哪个位置，得到的结果（标签）应该是相同的，这就是卷积神经网络中的平移不变性。平移不变性意味着系统产生完全相同的响应（输出），不管它的输入是如何平移的 。平移同变性（translation equivariance）意味着系统在不同位置的工作原理相同，但它的响应随着目标位置的变化而变化 。

为什么卷积神经网络具有平移不变性：简单地说，卷积+最大池化约等于平移不变性。

• 卷积：简单地说，图像经过平移，相应的特征图上的表达也是平移的。下图只是一个为了说明这个问题的例子。输入图像的左下角有一个人脸，经过卷积，人脸的特征（眼睛，鼻子）也位于特征图的左下角。假如人脸特征在图像的左上角，那么卷积后对应的特征也在特征图的左上角。 （如下两幅图所示）

       在神经网络中，卷积被定义为不同位置的特征检测器，也就意味着，无论目标出现在图像中的哪个位置，它都会检测到同样的这些特征，输出同样的响应。比如人脸被移动到了图像左下角，卷积核直到移动到左下角的位置才会检测到它的特征。

 

 

• 池化：比如最大池化，它返回感受野中的最大值，如果最大值被移动了，但是仍然在这个感受野中，那么池化层也仍然会输出相同的最大值。这就有点平移不变的意思了。

  所以这两种操作共同提供了一些平移不变性，即使图像被平移，卷积保证仍然能检测到它的特征，池化则尽可能地保持一致的表达。

总结：卷积的平移不变性就是通过卷积+池化以后不管某一特征移动了位置，总可以检测出来输入到下一层中，又由于全连接是加权求和计算，被CNN激活的特征又可以传导到下一层中。

2. 平移敏感性（检测）

目标检测是从原始图像中找到包含目标的子区域，所以对目标的位置变化应该需要敏感一点，也就是平移敏感性。在目前的目标检测模型中，必须要对目标区域进行分类，而分类任务侧重的是平移不变形，不管翻转还是如何，都应该能分类正确，也就是关注区域的类别语义。

因此，目标检测任务中平移敏感性与平移不变性之间存在矛盾。