YOLO系列算法原理讲解----（2）Yolov2/Yolo9000算法

YOLOV2/YOLO9000

• YOLO9000:Better,Faster,Stronger
• CVPR 2017,Best Paper Honorable Mention
• 引入了anchor box的思想（改进直接回归的粗糙做法）
• 输出层：卷积层替代YOLOV1的全连接层（通过卷积层减少网络结构对输入图像尺寸的敏感程度，因为FC层参数量同feature map的大小是息息相关的，卷积层无关）
• 联合使用coco和imagenet物体分类标注数据（用检测数据集学习物体准确的位置信息，分类数据集学习分类的信息）
• 识别种类、精度、速度和定位准确性都有大大提升

YOLOV2/YOLO9000改进之处：

• Batch Normalization
• 高分辨率分类器
• Anchor Boxes
• 细粒度特征
• Multi-Scale Training
  
  这是主干网络的网络结构采用darknet，而yolov1作者采用了GoogleNet，整体速度比VGG更快，而在YOLOV2中采用新的主干网络模型，结构类似于VGG NET，采用三乘三的卷积核，池化后的整个channel的数量都会增加一倍，在网结构中采用Batch Normalization，归一化处理，让整个训练过程更加稳定，收敛的更快，得到一个模型规范化的效果。由于通过卷积代替之前的FC，因此输入的图像尺寸就可以发生变化，因此可以进行多尺度的训练，而对于分类模型，这里采用高分辨率分类器来进行训练，yolo只采用一个维度上的特征，因此它学到的特征不会太惊精细，对于yolov2这里引入跳链的结构，也就是在最终的预测阶段，这里采用不同力度上的特征，通过对不同力度上的特征的融合来提高最终检测的性能。此外，在最终预测的时候同样采用Anchor的机制。具体如下：

YOLOV2/YOLO9000改进之处：
Batch Normalization

• V1中也大量使用BN，同时在定位层（FC）dropout（防止过拟合）
• V2中取消了dropout，均使用BN

高分辨率的分类器

• V1中使用224 *224预训练，448 *448用于检测网络（一般会存在偏差）
• V2以448 *448的分辨率微调最初的分类网络

Anchor Boxes

• 预测bbox的偏移，使用卷积代替FC（FC层输出的向量大小通常为S * S * ( B *5+C）,而直接采用卷积来代替的话，只需要卷积之后的feature map的大小为S *S，( B *5+C）对应了channel的数量，这样就同样能达到V1的FC层的效果）
• 输入尺度：416（不是448 *448，原因在于图片中的物体都倾向于出现在图片的中心位置，特别是比较大的物体，因此就需要有一个单独位于物体中心的位置用来预测这个物体，而yolo通过卷积层之后会进行32倍的下采样，对于416 *416的图像呢，下采样32倍之后就会得到13 *13的feature map，而为什么采用416 *416输入的尺寸呢，原因在于对于448 *448的输入，在经过32倍下采样之后得到14 *14这样的feature map，这时候就不存在这样的一个网格位于图像的正中心。这样也保证后面产生的宽高比为奇数。主要原因是作者发现大物体主要位于中间位置，如果不采用奇数，就得使用中间的4个cell来预测物体）
• max pooling下采样
• 预测超过1000个
• mAP降低，recall显著提高（在yolov2中加入Anchor Box之后对于每一个cell，最终可预测多个建议框，相比于之前的网络只能预测B个而言，使用Anchor机制之后结果的召回率有提升，而准确率下降了）

细粒度特征
添加pass through layer，把浅层特征图（26 *26）连接到深层（13 *13）特征图（跳链）

• Resnet中的identity mapping
• 把26 *26 *512的特征图叠加成13 *13 *2048的特征图，与深层特征图相连接，增加细粒度特征
• 性能获得了1%的提升

Multi-Scale Training
每隔几次迭代后就会微调网络的输入尺

• 输入图像尺寸{320,352，…，608}
• 尺度的变化

Darknet-19

• 主要使用3 *3卷积
• pooling之后channel数加
• global average pooling
• 1 *1卷积压缩特征表示
• batch normalization
  
  1 *1的卷积核放在3 *3的卷积核中间用于压缩特征。19个卷积层，5个池化层。

每个box包含4个坐标值，1个置信度和classes个条件类别概率

不同于yolov1，yolov1中的类别是针对一个cell而言的，每个格子对应B个Bounding Box，每个格子预测的数量是5 *B +C，而yolov2中，类别是对于每个box而言，同Anchor Box是保持一致的，对每个box会预测5 +C长度的向量，整个这样的Box，假设数量为B个，最终会预测B *（5 + C）个输出维度。它更加关注于每个Bounding Box。

YOLOV2算法网络性能–更好
比较：

YOLOV2算法网络性能–更强
YOLO9000是在YOLOv2的基础上提出的一种可以检测超过9000个类别的模型，其主要贡献点在于提出了一种分类和检测的联合训练策略。
能识别9000中归功于它采用了WordTree结构，融合两种数据集。（分类和检测）

通过联合训练策略，YOLO9000可以快速检测出超过9000个类别的物体，总体mAP
值为19.7%

对于Imagenet数据集而言，我们需要针对每一个类别，通过一个较大的Softmax来分类，而对于WordTree，我们需要考虑label个label之间的关系，在通过对同一概念下的同一词进行softmax分类来完成最终分类loss的运算。