YOLO系列

YOLO-V1 

1. 经典的one-stage方法
2. You Only Look Once，名字就已经说明了一切！
3. 把检测问题转化成回归问题，一个CNN就搞定了！
4. 可以对视频进行实时检测，应用领域非常广！

优点：快速，简单！

缺点:

• 问题1：每个Cell只预测一个类别，如果重叠无法解决
• 问题2：小物体检测效果一般，长宽比可选的但单一

YOLO-V2：更快！更强！

 

---

YOLO-V2-Batch Normalization

1. V2版本舍弃Dropout，卷积后全部加入Batch Normalization
2. 网络的每一层的输入都做了归一化，收敛相对更容易
3. 经过Batch Normalization处理后的网络会提升2%的mAP
4. 从现在的角度来看，Batch Normalization已经成网络必备处理

---

YOLO-V2-更大的分辨率

1. V1训练时用的是224*224，测试时使用448*448可能导致模型水土不服，
2. V2训练时额外又进行了10次448*448的微调
3. 使用高分辨率分类器后，YOLOv2的mAP提升了约4%

 

 

---

YOLO-V2-网络结构

DarkNet，实际输入为416*416

没有FC层，5次降采样（13*13）

1*1卷积节省了很多参数

 

---

YOLO-V2-聚类提取先验框

faster-rcnn系列选择的先验比例都是常规的，但是不一定完全适合数据集

K-means聚类中的距离：

 

 

 

---

YOLO-V2-Anchor Box

通过引入anchor boxes，使得预测的box数量更多（13*13*n）

跟faster-rcnn系列不同的是先验框并不是直接按照长宽固定比给定

 

---

YOLO-V2-Directed Location Prediction

bbox：中心为(xp,yp)；宽和高为(wp,hp)，则：

 

tx=1,则将bbox在x轴向右移动wp；tx=−1则将其向左移动wp

这样会导致收敛问题，模型不稳定，尤其是刚开始进行训练的时候

V2中并没有直接使用偏移量，而是选择相对grid cell的偏移量

计算公式:

 

 

---

感受野：

     概述来说就是特征图上的点能看到原始图像多大区域。

     假设输入大小都是h*w*c，并且都使用c个卷积核(得到c个特征图)，可以来计算一下其各自所需参数：

 很明显，堆叠小的卷积核所需的参数更少一些，并且卷积过程越多，特征提取也会越细致，加入的非线性变换也随着增多，还不会增大权重参数个数，这就是VGG网络的基本出发点，用小的卷积核来完成体特征提取操作。

---

YOLO-V2-Fine-Grained Features

     最后一层时感受野太大了，小目标可能丢失了，需融合之前的特征。

 

---

YOLO-V2-Multi-Scale

都是卷积操作可没人能限制我了！一定iterations之后改变输入图片大小。

最小的图像尺寸为320 x 320。

最大的图像尺寸为608 x 608。