目标检测算法YOLO2论文详解

论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

论文地址：https://arxiv.org/pdf/1612.08242v1.pdf

 

相对于YOLO1，YOLO2提出了很多方案改进网络的性能，比如

（1）批正则化数据

（2）用更高的分辨率以适应小图像的检测

（3）用prior boxes作为参考系让学习更容易

（4）用k-mean 聚类算法自己决定每个网格更适合的anchor box个数

（5）限制预测偏移量范围在0-1之间使得模型更稳定

（5）训练过程中改变输入图像的size以适应不同分辨率物体的检测

（6）联合分类和检测数据集使其可以检测出超过9000种类的物体等等

（7）去掉最后一个池化层，得到高分辨率的输出，虽然精度下降，但可以预测更多的框。

同时，它使用的使自己的网络DarkNet-19而不是VGG。

 

一、论文解读

1、YOLO2解决了大部分目标检测模型只预测很少类别物体的限制，可以检测出超过9000种不同类别的数据。（YOLO1仅20种）

大部分目标检测模型都只能预测很少类别的物体，主要是标注目标数据集太昂贵了，不可能达到图像分类数据集的规模。YOLO2提出一种联合训练算法，可以利用有大量数据的分类数据集ImageNet扩大目标检测系统检测的数据范围，利用有标签的目标检测数据集COCO去学习精确地定位物体的位置，同时使用大型分类数据集ImageNet来增加它的泛化能力。

 

2、YOLO2提出了很多改进算法改善目标检测模型的表现ÿ