学习YOLOv2

1.论文总述

  在YOLOv1的基础上，通过改进，提出了YOLOv2和YOLO9000算法思想。重点解决YOLOv1召回率和定位精度方面的误差。在提出时，YOLOv2在多种数据集中，都要快过其他检测系统，并可以在速度与精确度上进行权衡。
  YOLOv2采用Darknet-19作为特征提取网络，增加了批量标准化（Batch Normalization）的预处理，并使用224×224和448×448两阶段训练ImageNet，得到预训练模型后fine-tuning。
  相比于YOLOv1是利用FC层直接预测Bounding Box的坐标，YOLOv2借鉴了FSR-CNN的思想，引入Anchor机制，利用K-Means聚类的方式在训练集中聚类计算出更好的Anchor模板，在卷积层使用Anchor Boxes操作，增加Region Proposal的预测，同时采用较强约束的定位方法，大大提高算法召回率。同时结合图像细粒度特征，将浅层特征与深层特征相连，有助于对小尺寸目标的检测。
  下图1展示了：YOLOv2中不同改进点带来的性能提升

  YOLO9000 的主要检测网络也是YOLOv2，同时使用WorldTree来混合来自不同资源的训练数据，并使用联合优化技术同时在ImageNet和COCO数据集上进行训练，目的是利用数量较大的分类数据集来帮助训练检测模型，因此，YOLO9000的网络结构允许实时地检测超过9000种物体分类，进一步缩小了检测数据集与分类数据集之间的大小代沟。

2.YOLOv2各个改进点

2.1 Batch Normalization（mAP提升2%）

  BN是2015年Google研究员在论文《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》一文中提出的,具体细节可参考这篇论文。
作用：
  对数据进行预处理（统一格式、均衡化、去噪等）能够大大提高训练速度，提升训练效果。BN正是基于这个假设的实践，对每一层输入的数据进行加工。
在YOLOv2中，就是就是对网络的每一个卷积层的输入都做归一化，这样网络就不需要每层都去学数据的分布，收敛会更快。
优点：
  a.神经网络每层输入的分布总是发生变化，加入BN，通过标准化上层输出，均衡输入数据分布，加快训练速度，提高了网络的收敛性。
  b.输入标准化对应样本正则化，BN在一定程度上可以替代 Dropout解决过拟合问题。
BN算法实现：
  在卷积或池化之后，激活函数之前，对每个数据输出进行标准化，实现方式如下图所示：

  图中前三行是对Batch进行数据归一化（如果一个Batch中有训练集每个数据，那么同一Batch内数据近似代表了整体训练数据），第四行引入了附加参数 γ 和 β，这两个参数的具体取值算法可以参考BN论文。

2.2 High Resolution Classifier (mAP提升4%)

  所有先进的检测方法都是在ImageNet上进行分类预训练。
  YOLOv1在预训练时采用的是224224的输入（在ImageNet数据集上进行），然后在检测的时候采用448448的输入，这会导致从分类模型切换到检测模型的时候，模型还要适应图像分辨率的改变。
  YOLOv2则将预训练分成两步：
  a.用224224的输入在ImageNet数据集训练分类网络，将所有训练数据循环跑160次。
  b.将输入调整到448448，再在ImageNet数据集上训练,将所有训练数据循环跑10次(10个epoch)。
  然后利用预训练得到的模型在detection数据集上fine tuning。这样训练得到的模型，在检测时用448*448的图像作为输入可以顺利检测。
  使用了fine Turing思想，具体原理是：先在标准数据集（如ImageNet等）上进行一定次数的预训练，或采用已经训练好的模型。在此模型参数的基础上，来训练自己的数据集，得到最终的模型参数。
  优点：由于在训练初始阶段，网络模型的参数还比较发散，使得loss值很大，模型准确率都会从很低的值开始慢慢上升。因此在已经训练好的基础再进行训练，可以使得在较少的迭代次数之后达到不错的效果，，大大缩短了训练周期。
具体的训练过程将在后面给到。

2.3 Convolution With Anchor Boxes （mAP下降0.3%，recall提升7%）

  YOLOv1将输入图像分成77的网格，每个网格预测2个Bounding Box，因此一共有98个Box，同时YOLOv1包含有全连接层，从而能直接预测Bounding Boxes的坐标值，但也导致丢失较多的空间信息，定位不准。除此之外，一个致命的缺陷就是：一个grid cell只能预测一个class，当一个grid cell中同时出现多个类时，就无法检测出所有类。基于这些问题，YOLOv2做出了相应的改进。
YOLOv2的改进:
  首先将YOLOv1网络的FC层和最后一个Pooling层去掉，使得最后的卷积层的输出可以有更高的分辨率特征。
  然后缩减网络，用416416大小的输入代替原来的448448，使得网络输出的特征图有奇数大小的宽和高，进而使得每个特征图在划分单元格（Cell）的时候只有一个中心单元格（Center Cell）。YOLOv2通过5个Pooling层进行下采样，得到的输出是1313的像素特征。
  借鉴Faster R-CNN, YOLOv2通过引入Anchor Boxes，预测Anchor Box的偏移值与置信度，而不是直接预测坐标值。
  采用Faster R-CNN中的方式，每个Cell可预测出9个Anchor Box，共13139=1521个（YOLOv2确定Anchor Boxes的方法见是维度聚类，每个Cell选择5个Anchor Box）。比YOLOv1预测的98个bounding box 要多很多，因此在定位精度方面有较好的改善。

2.4 Dimension Clusters(维度聚类)

  在Faster R-CNN中Anchor Box的大小和比例是按，经验设定的，然后网络会在训练过程中调整Anchor Box的尺寸，最终得到准确的Anchor Boxes。若一开始就选择了更好的、更有代表性的先验Anchor Boxes，那么网络就更容易学到准确的预测位置。
YOLOv2使用K-means聚类方法类训练Bounding Boxes，可以自动找到更好的宽高维度的值用于一开始的初始化。传统的K-means聚类方法使用的是欧氏距离函数，意味着较大的Anchor Boxes会比较小的Anchor Boxes产生更多的错误，聚类结果可能会偏离。由于聚类目的是确定更精准的初始Anchor Box参数，即提高IOU值，这应与Box大小无关，因此YOLOv2采用IOU值为评判标准，即K-means 采用的距离函数（度量标准）为：

聚类效果图如下：

  其中紫色和灰色也是分别表示两个不同的数据集，可以看出其基本形状是类似的。

  从表中可以看出，YOLOv2采用5种Anchor比Faster R-CNN采用9种Anchor得到的Avg IOU还略高，并且当YOLOv2采用9种时，Avg IOU有显著提高。说明K-means方法的生成的boxes更具有代表性。为了权衡精确度和运算开销，最终选择K=5。

文章来源: ai-wx.blog.csdn.net，作者：AI 菌，版权归原作者所有，如需转载，请联系作者。

原文链接：ai-wx.blog.csdn.net/article/details/104433200