YoloV2
时间线
Motivation
Yolo-v1是在检测精度尚可的前提下达到了实时检测，同年的SSD检测速度略慢但检测精度远高于Yolo-v1，因此，Yolo-v2则是着眼于检测得更快更准，同时它利用WordTree创造性地将ImageNet和coco结合起来构建了beyond coco的Yolo9000，为后续的研究、工程应用打开了一扇门。
Better
-- Batch normalization
通过采用BN而不是dropout来达到预防overfitting的目的，mAP提升2%.
-- High Resolution Classifier
首先在224x224的尺度上训练分类网络，然后使用448x448适应训练几个epoch，然后再进行detection任务的训练，mAP提升4%.
-- Convolutional With Anchor Boxes
对于特征图上的每个网格对应的bbox，Yolo-v1采用随机猜的策略，导致训练困难、检测精度受损；因此，为了避免随机猜的情况，受Faster RCNN和SSD的启发，Yolo-v2也引入了anchor机制。具体地，对于每个网格我们生成K(K=5)个priors boxes：
然后预测priors boxes的offset，同时将Yolo-v1中Pr(Class_i|Obj)从cell-level下放至bbox-level，这样每个prior box就对应一个含有(4+1+C)个分量的预测结果，其中C表示数据集中包含object的类别数。下图给出了采用priors boxes后的预测流程：
-- Image input size : 448 x 448 --> 416 x 416
获得的feature_map从原来的7 x 7变为resolution更高的13 x 13.
-- Dimension Clusters
与Faster RCNN、SSD等采用anchor机制的detection方法不同的是，Yolo-v2在设定prior boxes时采用了Data Driven的思想。我们来看，日常生活中常见object的宽高比并非任意的，它们具有某种规律，因此Yolo-v2采用k-means聚类方法对训练集中的truth_bboxes进行聚类，并得到如下图所示的观测数据：
需要补充的一点是，在聚类时距离度量没有采用bbox的空间距离，而是采用如下的方式：
d(box, centroid) = 1 − IOU(box, centroid)
为了便于展示聚类效果，这里距离度量采用L2-dist[聚类对象即为目标框的宽、高]，以COCO2017-val样本为例，如图所示：
-- Direct location prediction
左侧为Faster RCNN中bbox的预测参数关系，右侧为Yolo-v2的参数预测关系，它们主要的区别在于bx和by的预测关系。具体体现在：Faster RCNN中的bx和by不受限制，而Yolo-v2则将bx和by限制在参考网格内部！
-- Fine-Grained Features
- Backbone
- Pass through
这里，YoloV2借鉴SSD使用多尺度特征图来提升检测效果的方法，提出pass through层将高分辨率特征图与低分辨率特征图拼接在一起，从而更好地利用多尺度特征来检测目标。
- Architecture
-- Multi-Scale Training
因为Yolo-v2的网络框架中去掉了fully connected layers，因此网络可以接受不同size的image，eg:Yolo-v2采用的采样因子为32，当input-size为320时，输出为[batchsize, 100, len(priors)+1+C]；当输入是608时，输出为[batchsize, 361, len(priors)+1+C].论文指出，在训练Yolo-v2时，每隔10个epoch从[320, 352, ..., 608]中选择一个新的size最为input_size对网络进行训练。这样做的好处是：模型可以更好地适应不同image-resolution的detection任务。
-- Accuracy
Faster
- FLOPS
| backbone | operations(billion) | accuracy(ImageNet) |
| VGG16 | 30.69 | 90.0% |
| GoogLeNet | 8.52 | 88.0% |
| DarkNet-19 | 5.58 | 91.2% |
- Speed
Yolo-v2的backbone网络采用了操作量更少、但分类效果更佳的DarkNet-19, 具体计算量、检测指标如下图所示：
受GoogLeNet、NIN的启发，DarkNet的卷积核采用了3x3，1x1的尺寸，前者用于feature提取，后者用于feature降维。在detection的工程实现时，最后一层的1x1的Conv层、Avgpool层被替换为3x3[特征融合]和1x1[降维输出]的Conv-layer。下图给出了Yolo-v2的完整流程图：
Stronger
Yolo-v2在解决了better、faster这两个核心问题之后，顺便提出了联合COCO和ImageNet来训练更为强大的Yolo9000.它需要解决如下两个问题：
- 不同数据集的标签怎么合并？[直接合并不能保证标签之间的互斥性，从而使得不能直接用softmax来计算各类的概率]
- 分类数据无bbox信息，如何在detection网络中应用分类数据？
-- WordTree
下图是COCO和ImageNet的标签体系：
Yolo-v2中作者基于自下而上的层次结构构造的WordTree标签体系：
这样做的好处是，同一层级内的各个标签是互斥的，因此可以使用softmax来计算概率。以ImageNet-1000为例，作者构建了一棵含有369个内部节点的WordTree，在训练模型时采用向上传递标签的方式，例如：如果一张image被标记为Norfolk terrier，那么它也会被同时标记为它的一系列父节点：dog、mammal ... 为了计算条件概率，网络会输出1369个score，然后计算对相应分支的节点计算softmax概率：
采用WordTree的标签体系的好处是它可以充分利用层次结构，例如，当模型遇到一张狗的照片但不确定是哪种狗的时候，模型会输出高置信度的标签“狗”，而不是强行把它分为某个低置信度的狗的子类目。
-- Train/Test
在训练时，当输入的是detection(来自coco)的图片时，bbox的loss照旧；classification的loss只计算当前预测label在WordTree对应level及上游层中依赖节点的损失；当输入的图片来自ImageNet时，仅仅反传classification-loss.