图像识别技术与应用第十六课

一、YOLO-V1 
1、YOLO-V1的方法概述

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

2、核心思想：把输入图像划分成S×S的网格，预测Bounding boxes、置信度和类别概率。
3、网络架构：基于GoogLeNet修改，有20层，输出7×7×30的张量，代表每个网格预测的2个Bounding boxes和20个类别概率等信息。
 
4、每个数字的含义：

• 10 =(X,Y,H,W,C)*B（2个）
• 当前数据集中有20个类别
• 7*7表示最终网格的大小
• （S*S）*（B*5+C）

5、非极大值抑制

• 设定目标框的置信度阈值，常用的阈值是0.5左右
• 根据置信度降序排列候选框列表
• 选取置信度最高的框A添到输出列表，将其从候选框列表删除
• 候选框列表中的所有框依次与A计算IoU，删除大于阈值的候选框
• 重复上述过程，直到候选框列表为空，返回输出列表

6、YOLO-V1的问题

• 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

二、YOLO-V2
1、YOLO-V2-Batch Normalization

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

2、YOLO-V2-更大的分辨率

• 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，V2训练时额外又进行了10次448*448的微调
• 使用高分辨率分类器后，YOLOv2的mAP提升了约4%

3、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

4、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： 

5、    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

6、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
• 计算公式为：
• 例如预测值(σtx,σty,tw,th)=(0.2,0.1,0.2,0.32)，anchor框为 

7、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。
8、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。