- 一、解决的问题">一、解决的问题
- 三、YOLOv2改进">三、YOLOv2改进
- 1）批规范化（Batch Normalization）">1）批规范化（Batch Normalization）
- 2）高分辨率分类器（High Resolution Classifier）">2）高分辨率分类器（High Resolution Classifier）
- 3）使用Anchor Box">3）使用Anchor Box
- 4）通过K-means来学习出anchor box">4）通过K-means来学习出anchor box
- 5）定向位置预测（Directed Location Prediction）">5）定向位置预测（Directed Location Prediction）
- 6）细分类特征（Fine-Grained Features）">6）细分类特征（Fine-Grained Features）
- 7）多尺寸训练（Multi-ScaleTraining）">7）多尺寸训练（Multi-ScaleTraining）
- 四、Faster">四、Faster
- 六、结果">六、结果
目标检测，卷积，YOLO
recall value是查全率(r)，查全率是被正确分类的正例数量除以测试集中实际的正例数量。
相应的还有查准率（precision）。查准率(p)是被正确分类的正例数量除以分类为正例的数量。
一、解决的问题
目标检测一直是机器视觉领域的一个热点，RCNN、fast RCNN、faster RCNN、SSD等杰出的方法层出不穷。但是这些目标检测方法都受限于数据集只能检测较小的物体种类（20种）。由于目标检测数据集的标定比物体识别的数据集的标定要昂贵的多，因此想要获得想ImageNet这种级别的目标检测数据集是几乎不可能完成的任务。如何训练出能识别出许多种物体的目标检测模型就显得极为诱人。本文作者提出了一种**联合训练**的方法将目标检测数据集与分类数据集结合，使得YOLOv2网络能够识别9000种物体，升级为YOLO9000。 # 二、YOLO结构
如图所示，YOLO实现了一个目标检测领域的端对端模型。通过一个大的loss function将bounding box检测和物体识别同时训练，使用不同的$ \lambda $来调整的权重。
三、YOLOv2改进
1）批规范化（Batch Normalization）
Batch Normalization的作用是提高了网络模型的鲁棒性，缓解了Covariant Shift问题，有一定的正则化（regularization）作用，在这里也不例外。通过在YOLO所有的卷积层中加入Batch Normalization，可以使得mAP提高2%，并且dropout的部分也可以丢掉。2）高分辨率分类器（High Resolution Classifier）
从AlexNet开始，大多数的分类器都在分辨率小于256*256的图像上执行分类。YOLO一代在训练分类网络的时候用的是224224分辨率，检测网络的时候用的是448448分辨率，这就意味着网络需要同时切换到目标检测并且适应新的分辨率。在YOLO二代中，直接使用448*448的分辨率微调（fine tune）了网络，训练了10个epoch。可以使得mAP提高大概4%。3）使用Anchor Box
YOLO使用全连接层来预预测检测框的坐标和长宽。与faster RCNN相比，YOLO只能预测98个框，数量太少，在检测数量较多的物体比如人群，鸭群等的时候误差较大。并且faster RCNN网络预测的是检测框的偏移度（offset），可以简化问题并且使得网络能更容易地学习。因此YOLOv2将全连接层移除，引入了anchor box。并且将网络输入从448调整为416，这是为了使经过卷积层下采样（downsample）以后，能得到唯一的中心点（416/32=13）。因此输入为13*13的feature maps。
在未使用anchor box的情况下，模型的recall为81%，mAP为69.5，使用anchor box的情况下，模型的recall为88%，mAP为69.2。尽管mAP略有降低，但是recall得到了较大的提升。在加入anchor box思想之后，在训练集中，我们将每个anchor box视为一个训练样本。因此，为了训练目标模型，需要标记每个anchor box的标签，从而解决每张图只能识别一类物体的问题。
4）通过K-means来学习出anchor box
faster RCNN中，anchor box是手动选择的，作者想找出一个更好的anchor box来训练网络，因此作者使用了K-means聚类用于得到更好的anchor box。K-means主要用与预测anchor box的长跟宽。 在这里，如果K-means聚类采用的事欧氏距离的话，那么尺寸大的box比尺寸小的box对error的影响更大，所以作者提出了使用IOU , (Intersection over Union, 交集/并集)来度量距离： d(box, centroids) = 1 – IOU(box, centroids) 聚类结果如图，下图代表Avg IOU与聚类数目K的关系，在权衡Avg IOU和模型复杂度以后，作者选择了K=5。右图代表了VOC和COCO数据集的box的聚类结果。可以看出聚类所得到的anchor box与手动选择相比，更倾向于选择高瘦的anchor box。
5）定向位置预测（Directed Location Prediction）
用Anchor Box的方法，会让model变得不稳定，尤其是在最开始的几次迭代的时候。而不稳定的因素主要来自于预测bounding box坐标（x, y）的时候。YOLOv2与YOLO网络相似，预测的是(x, y)的坐标值而非偏移量。并且作者通过sigmoid函数将偏移量限制在0到1之间,如图所示，这种限制使得predict box的跳跃被限制在以$ (c_x,c_y),(c_x+1,c_y+1) $为对角线的网格中。
使用Directed Location Prediction为YOLO网络带来了5%的提升。
6）细分类特征（Fine-Grained Features）
Faster F-CNN、SSD都使用不同尺寸的Feature Map来取得不同范围的分辨率，而YOLOv2采取了不同的方法，YOLOv2加上了一个跳跃层（Passthrough Layer）来获取之前的26*26分辨率的层的特征。这个Passthrough layer能够把高分辨率特征与低分辨率特征连结（concatenate）起来，这种方式看起来与ResNet很像，但是略有不同，因为ResNet采用的是summation，而YOLOv2的Fine-Grained Features采用的是concatenate。 Fine-Grained Features这提升了YOLO 1%的性能。7）多尺寸训练（Multi-ScaleTraining）
作者希望YOLO v2能鲁棒地运行于不同尺寸的图片之上，所以把这一想法用于训练model中。 区别于之前的补全图片尺寸的方法，YOLO v2每迭代几次都会改变网络参数。每10个Batch，网络会随机地选择一个新的图片尺寸，由于使用了下采样参数是32，所以不同的尺寸大小也选择为32的倍数{320，352…..608}，最小320320，最大608608，网络会自动改变尺寸，并继续训练的过程。 这一方法使得网络在输入图片尺寸比较小的时候跑的比较快，输入图片尺寸比较大的时候精度高，下图为YOLOv2和其他的目标检测网络的对比。四、Faster
YOLO使用的是GoogleNet架构，比VGG-16快，YOLO完成一次前向过程只用8.52 billion 运算，而VGG-16要30.69billion，但是YOLO精度稍低于VGG-16。因此作者在YOLOv2中设计了一种新的网络结构叫Darknet-19。
3）在使用WordTree混合了COCO与ImageNet数据集后，混合数据集对应的WordTree包含9418类。由于ImageNet数据集跟COCO比太大了，产生了样本倾斜的问题，因此作者将COCO过采样，使得COCO与ImageNet的比例为1: 4。使用联合训练法，YOLO9000可以从COCO数据集中学习检测图片中物体的位置，从ImageNet中学习物体的分类。
六、结果
1）评估YOLOv2——PASCAL VOC2007 & COCO
2）评估YOLO-9000——ImageNet Detection Task
评估结果： YOLO9000整体的mAP为19.7。 在未学习过的156个分类数据上进行测试，mAP为16.0。YOLO9000的mAP比DPM(一个目标检测算法)高，而且YOLO9000是使用部分监督的方式在不同训练集上进行训练，能实时检测9000种物体。
虽然YOLO9000对动物的识别性能很好，但是对类别为”sunglasses“或者”swimming trunks“这些衣服或者装备的类别，它的识别性能不是很好。这跟目标检测数据集中只考虑“人”这个整体有很大关系。
若有收获，就点个赞吧
0 人点赞
