YOLOv2

发表于 更新于 分类于 阅读次数： Valine：
本文字数： 1.7k 阅读时长 ≈ 2 分钟

batch norm

舍弃全连接层和dropout，每次卷积后加入batch normalization。

batch norm的作用

具有统一规格的数据能让神经网络更好地学习到数据的规律；批归一化在非线性激活函数前，使梯度不会出线为0；

高分辨率预训练分类网络

目前的大部分检测模型都会使用主流分类网络（如vgg、resnet）在ImageNet上的预训练模型作为特征提取器,而这些分类网络大部分都是以小于256×256的图片作为输入进行训练的，低分辨率会影响模型检测能力。

YOLO v2将输入图片的分辨率提升448×448，为了使网络适应新的分辨率，YOLO v2先在ImageNet上以224×224进行训练，然后再以448×448的分辨率对网络进行10个epoch的微调，让网络适应高分辨率的输入。通过使用高分辨率的输入，YOLO v2的mAP提升了约4%。

采用Anchor Box

anchor box是通过对真实框聚类得到的，得到5种不同大小的anchor box。

anchor box只有w和h，没有中心点。

尺寸聚类

聚类的目的是为了提高选取的Anchor Box和同一个聚类下的gt框之间的IOU,采用的距离公式如下:

[公式]

  • centroid为聚类时被选作中心的bounding box

  • box为其他的bounding box

  • 对box进行K-means的步骤为：

    1. 随机选取K个box作为初始anchor；
    2. 使用IOU度量，将每个box分配给与其距离最近的anchor；
    3. 计算每个簇中所有box宽和高的均值，更新anchor；
    4. 重复2、3步，直到anchor不再变化，或者达到了最大迭代次数。

直接位置预测

img

tx,ty,tw,th是预测值，cx和cy是grid cell左上角位置，pw和ph是anchor box的值，通过计算即可得到预测框在特征图上的位置，从而得到在原图的位置；

t0是预测值，进行σ变换后作为置信度的值。

注：用IOU最大的去进行回归，Pr(object)的值是1，其余是0；

网络结构

YOLOv2采用了一个新的特征提取主干 Darknet-19,包括19个卷积层,5个maxpooling层；

特征融合

YOLO v1和YOLO v2输出对比

YOLOv2的输出是一个13 13 125的一个张量。

多尺度训练

训练尺度的大小必须为32的倍数，最小320，最大640；

使用多尺度训练时，然后只需要修改对最后检测层的处理就可以重新训练。

anchor box和bounding box的区别

  • anchor box是静止的框，随着神经网络的训练是不变的；
  • anchor box只有宽高，不需要中心点(也可以理解为中心点为grid cell左上角坐标)
  • bounding box是动态的框，它是根据预测值偏移量(tx,ty,tw,th)和anchor box生成的；
  • 在这里计算的是bounding box与GroundTruth之间的误差；
  • 若设GroundTruth在anchor box的偏移量为(dx,dy,dw,dh)，那么误差为(tx,ty,tw,th)与(dx,dy,dw,dh)的误差；
  • 详细看YOLO v2和V3 关于设置生成anchorbox，Boundingbox边框回归的个人理解

训练阶段

  • 第一阶段：就是先在ImageNet分类数据集上预训练Darknet-19，此时模型输入为 224*224 ，共训练160个epochs；
  • 第二阶段：将网络的输入调整为 448*448 ，继续在ImageNet数据集上finetune分类模型，训练10个epochs，此时分类模型的top-1准确度为76.5%，而top-5准确度为93.3%；
  • 第三个阶段：修改Darknet-19分类模型为检测模型，移除最后一个卷积层、global avgpooling层以及softmax层，并且新增了三个 331024卷积层，同时增加了一个passthrough层，最后使用 11 卷积层输出预测结果，输出的channels数为：**num_anchors\(5+num_classes)** ，和训练采用的数据集有关系。由于anchors数为5，对于VOC数据集（20种分类对象）输出的channels数就是125。

损失函数