Yolo(2)Yolo v2

目录

Yolo v2改进

1、引入BP层

2、更高精度的分类器

3、引入anchor 

定义:

anchor理解:

目标:

4、细粒度特征

5、多尺度


Yolo v2改进

yolo v2 VS yolo v1:

Yolo(2)Yolo v2_第1张图片

1、引入BP层

2、更高精度的分类器

Yolo(2)Yolo v2_第2张图片

3、引入anchor 

定义:

anchor预设好的虚拟边框(virtual bounding box)

生成框anchor回归而来。

目的:

让生成的预测框一步步迭代到靠近真实框的位置

回归(regression):使预测值一步步趋向目标值) 

 得到生成框的过程:(anchor一步步回归)

Yolo(2)Yolo v2_第3张图片

anchor理解:

Yolo(2)Yolo v2_第4张图片

 Yolo(2)Yolo v2_第5张图片

 :预测框(由anchor回归得到)

 :anchor

 :真实物体框

目标:

希望 anchor 趋于 truth,但由于anchor生成predict,所以希望predict趋于truth。所以我们希望(predict - anchor) 趋于 (truth - anchor)(补偿),即

关键理解: 

Yolo(2)Yolo v2_第6张图片

Yolo(2)Yolo v2_第7张图片

:分别为predict的x、y、w、h的补偿。

:分别为truth的x、y、w、h的补偿。

anchor的设置:

        人为地定义一系列位置,在这些位置上生成不同形状的anchor,在这些不同形状的anchor中,找到最像物体的anchor去预测物体。 

Yolo(2)Yolo v2_第8张图片

为什么要设置anchor?

        如果没有anchor,回归到一个特定的位置时需要从无穷处开始;而有了anchor之后,可以从有穷且像物体的地方进行回归,可以提高算法精度。

 归一化:

归一化到0~13(特征图大小): 

获取相对于单个cell的位置:

例如:9.6 - 9 = 0.6        (相对于第九个单元格,在0.6处位置) 

Yolo(2)Yolo v2_第9张图片

相对于单元格归一化:

Yolo(2)Yolo v2_第10张图片

\sigma:sigmoid函数,把结果归一化到0~1。

4、细粒度特征

Yolo(2)Yolo v2_第11张图片

大图变小图。

5、多尺度

 有了全连接层,网络的大小会被定型,且全连接层数据量太大。

你可能感兴趣的:(#,Yolo,目标检测,人工智能,计算机视觉)