YOLOV2-Better，Faster，Stronger

参考：https://www.bilibili.com/video/BV1Q64y1s74K/?spm_id_from=333.337.search-card.all.click&vd_source=de203b26ba8599fca1d56a5ac83a051c

下图是目标检测网络的发展时间图，可以看到YOLO的每一个版本的推出都是在非常关键的时刻。

一、Better
为了提升YOLO的性能，YOLOV2主要采用了以下方法来提升性能。
①Batch Normalization （批归一化）
②High Resolution Classifier （高分辨率分类器）
③Anchor （锚边界框）
④Dimension Cluster （维度聚类）
⑤Direct locaiton prediction （直接位置预测）
⑥Multi-Scale Training （多尺度训练）

（1）Batch Normalization
批归一化从数学层面上来说，就是将数据尽可能的压缩在（0,1）之间，并服从正态分布。在深度学习中，BN层往往添加在全连接层和激活层之间。
我们可以知道，对于激活层来说，输入激活层的数据是很重要的，对于常用的sigmoid的激活函数来说，数据集中在中间时，能够更好地利用非线性函数的性质，才能将数据更好地传递。具体的效果如下图所示。

如果输入数据大致是二值分布，进行归一化后，也可以尽可能的将数据往中间靠拢。

没有经过BN的数据，往往有一部分数据在通过激活函数后，直接达到了饱和阶段（饱和指输出结果不是1就是-1），经过BN层的数据，可以在通过激活函数后更具有价值。BN层具体的运算过程，见下图所见。

（2）High Resolution Classifier
传统的图片网络训练，都是使用的低分辨率的图片，如在ImaeNet上采用224x224分辨率的图片进行训练。YOLOV1就是在这种情况下进行训练的，但是根据YOLOV1的实际情况，输入的图片的分辨率是448x448，那就和训练时的分辨率不一样，这样会导致训练时，我们要放大图片，这样必然会影响最后的精度。而YOLOV2采用的训练方法中，最后是要使用448x448的分辨率进行训练的，这样可以改善YOLOV1的缺点，提高最后的精准度。

（3）Anchor，Dimension Cluster，Direct locaiton prediction

①什么是Anchor?
在YOLOV1的网络中，一个GC会划分2个BBOX，这两个BBox的长宽比没有事先决定，且这两个BBOX是会野蛮生长的。而在YOLOV2中，我们会给BBox一个先验的概率框，比如一个是矮胖的，一个是长高的。这样矮胖的框天生就适合预测汽车等物体，长高的框天生就适合去预测行人，路灯等物体。本身由哪一个框去拟合训练框和YOLOV1是一样的，采用交并比去决定。这样会让模型更加稳定。

②YOLOV2中黑箱输出矩阵的意义是什么？

在YOLOV2中，黑箱输出的矩阵大小是13x13x125，13指的是YOLOV2最终是将图片划分为13x13个GC，没一个GC对应125长度的向量。这125个数据代表的是：一个GC会划分5个Anchor，每个Anchor有4个位置参数，1个置信度参数，20个类别概率参数。所以长度是5*（5+20）=125。
这里值得注意的是，在YOLOV1网络中，一个GC=2个BBOX+20维概率。
而在YOLOV2网络中，一个GC=5个Anchor
也就是说，在YOLOV1中，一个GC对应了一个物体的类别，所以YOLOV1最大能识别出7x7=49个物体。
而在YOLOV2中，决定物体的类别的不再是GC，而是Anchor，所以YOLOV2最大能够识别出51313=845个物体，这样YOLOV2在小物体检测上的性能得到了提高。

③为什么Anchor的个数是5？
在其他的一些目标识别网络中，Anchor的个数和长宽比都是手动选择的。
在YOLOV2中，对VOC和COCO数据集进行了聚类（Dimension Cluster），最终取了折中，选择Anchor 个数为5。

④Anchor中是怎么限制预测框的野蛮生长的？
在YOLOV2中，采用了Direct locaiton prediction。
YOLOV1中，一开始中心点是位于GC中的，但随着训练的进行，BBOX可以野蛮的生长，这样会导致，中心点不再落在该GC中。
在YOLOV2中，对框进行了处理使得位置中心偏移始终不能让中心点超出原本的GC。使用的方法是对偏移量套一个sigmoid函数，这样不管你的偏移量是多少，都能约束在该GC中。

做一个比喻，YOLOV1中的中心点诞生于新手村GC，最终会走出新手村。而在YOLOV2中的中心点，诞生于新手村GC，最终也会老死在驯兽村中。
。

（4）Multi-Scale Training
Multi-Scale Training是指在模型训练的过程中，会输入各种大小的图片，强迫YOLOV2模型去适应各种大小。这里模型的权重和结构都不会变。
原因是因为有全局平均池化层，这可以让各种大小的图片都能进入模型进行预测。这里还值得注意的是，速度和精度不可以兼得。输入小图片精度降低但是速度变快，输入大图片精度变高但是速度下降。

通过对比，在同精度下，YOLOV2速度最快，同速度下YOLOV2精度最高。

（5）Fine-Grained Features（细粒度特征）
实际上就是底层的细粒度特征+卷积后的高层特征，有利于小目标检测。

（6）YOLOV2的损失函数
首先回顾一下YOLOV1的损失函数的构成：
因为一个GC会产生2个BBOX，所以YOLOV1的误差主要分为负责检测物体的BBOX的误差和不负责检测BBOX的误差。
具体来说分为：
负责检测物体的BBOX的中心点误差
负责检测物体的BBOX的长宽误差
负责检测物体的BBOX的置信度误差
负责检测物体的BBOX的分类误差
不负责检测物体的BBOX的置信度误差
下图是YOLOV2的损失函数总结图

首先对于YOLOV2来说，需要遍历所有的预测框也就是13x13x5个。
主要分为5类误差。
非检测物体的Anchor的置信度误差
训练早期，拟合的Anchor和预测框的误差
检测物体的Anchor的定位误差
检测物体的Anchor的置信度误差
检测物体的Anchor的分类误差

（7）不同技巧对于YOLO的优化力度

二、Faster
主要是更换了骨干网络使得模型的速度得到了提升。

三、Stronger
这里不是YOLOV2的重点，暂时就不做赘述了。