YOLOv2学习笔记

YOLOv2

论文：YOLO9000: Better, Faster, Stronger

相较于YOLOv1的尝试：

1. Batch Normalization
   • 在YOLOv1的每个卷积层后加上了BN层，加了BN层后，对于训练收敛帮助很大，起到了对模型的正则化作用，BN层可以替代Dropout层
2. High Resolution Classifier
   • 采用更高分辨率的分辨器
3. Convolutional With Anchor Boxes
   • 使用基于Anchor偏移的目标边界框的预测方式
4. Dimension Clusters
5. Direct location prediction
6. Fine-Grained Features
   • 增加了PassThrough Layer层
7. Multi-Scale Training
   • 每迭代10个batch，就改变输入图像的大小，{320,352,…,608}的随机数，即32的整数倍，最小为320，最大为608

网络结构：其中主干网络为Darknet19

PassThrough Layer：将相对底层的26 * 26 * 512的特征矩阵经过1 * 1 * 64的卷积层得到的26 * 26 * 64的特征矩阵，经过PassThrough Layer得到13 * 13 *256的特征矩阵与相对高层的13 * 13 * 1024的特征矩阵进行融合(即深度方向进行拼接相加，1024+256=1280)，得到13 * 13 * 1280的特征矩阵

即特征矩阵经过PassThrough Layer层后会W、H减半，然后深度变为4倍

因为输入特征矩阵为416 * 416 * 32 最终得到的特征矩阵为 13 * 13 * 1024，即缩放因子为416 / 13 = 32，所以可以选择的输入图像大小为{320,352,…,608}，即32的整数倍，最小为320，最大为608

Convolutional 是有 Conv2d + BN + LeakReLU 组成

注意：
最后的1 * 1的卷积层即为预测器，输出深度为(所检测数据集的类别数+(x,y,w,h, confidence)) * 5
论文中为125为：总共使用了5个Anchor，对于每个Anchor中有(x,y,w,h)、confidence以及对于VOC数据集中20个类别对应的分数，即(5+20) * 5