目标检测学习-YOLO-v2

改进

YOLO v2相对于v1做了不少改进，使得速度和准确率都有所提升，具体的看下面的介绍，新版的口号叫做更好，更快，更强。

Batch Normalization(批量归一化)

批量归一化，其实就是一种在每个卷积层输入数据前，把数据进行归一化，希望数据分布基本相似，避免了模型总是要对于不同分布的数据进行适应，加快了训练速度，同时还能避免梯度爆炸和梯度消失的问题，且有一定的正则化作用，避免过拟合，取消了Dropout使用。

High Resolution Classifier(高分辨率分类器)

为了适应高的分辨率，在训练的最后几个epoch用448x448的分辨率进行调整，以便于适应高分辨率。

Convolutional With Anchor Boxesr(带有锚框的卷积)

用类似于RPN网络的锚框来进行预测边界框，删除了全连接层，缩小了网络，减少了参数，输入为416x416，最后卷积为13x13，为奇数，为了让中心点只属于1个格子，而不是周围的4个格子，否则要用4个格子来预测物体了，提高了效率。另外yolo v1的特征是关于1个格子里5xB+c个特征，而v2是每一个预测框都有5+c个特征，从关注格子到关注每一个框了。

Dimension Clusters(维度聚类)

解决挑选框的问题，利用了聚类的方法来选出比较合适的框，发现k=5的时候最为合适。距离定义为：
$$d(box,centroid)=1-IOU(box,centroid)$$
box是要聚类的框，centroid的分类的中心。这样就是以交并比来作为衡量的标准，比较合适，而不是单一的欧拉距离。

Direct location prediction(直接位置预测)

$$x=(t_x\ast w_a)-x_a$$
$$y=(t_y\ast h_a)-y_a$$
这个是先前的公式，当$t_x$等于正负1时，会移动锚框的宽度，比较大，而我们希望的时得到网格单元的相对位置0-1就可以。

我们给每个网格5个边界框，每个框5个维度$t_x,t_y,t_w,t_h,t_o$，单元格距离图像左上角偏移$(c_x,c_y)$，边界框的先验宽度$p_w,p_h$,预测为：

$b_x=\sigma (t_x)+c_x$
$b_y=\sigma (t_y)+c_y$
$b_w=p_w{e}^{t_w}$
$b_h=p_h{e}^{t_h}$
$Pr(Object)\ast IOU(b,Object)=\sigma (t_o)$

Fine-Grained Features(细粒度特征)

为了能够检测小的物体，使用了类似残差网络的那种方式，直接将浅层的特征和深层的特征合并作为输入，使得能一定程度的保留小物体的特征。

Multi-Scale Training(多尺度训练)

为了在不同的分辨率上检测，把全连接层改成了卷继承，尝试了一系列不同的分辨率训练，每几个批次换不同的分辨率，以便于网络适应多分辨率。

Darknet-19

提出了一种新的网络结构，更加小，更加快。参考了很多经典网络，用了较多的3x3的卷积升维，用了1x1进行降维。

Hierarchical classification(分层分类)

为了让ImageNet和COCO的数据集融合，提出了一种分层分类的概念。即构建一棵树，让每一类都可能有的子类作为他的分支，直到没有子类为止，这样就可以融合两个数据集：

从最开始的根节点出发，选择概率最大且超过一定阈值的子树，一层层的找下去，直到概率小于阈值，说明不是该类，或者没有子类了。从概率的计算来说，就是条件概率，比如一只金毛，那他的概率应该是动物，狗，金毛这条路线，所以应该是这样：
$$Pr(金毛)=Pr(物体)\ast Pr(动物|物体)\ast Pr(狗|动物)\ast Pr(金毛|狗)$$
其实就是很多个子类的softmax再softmax：

yolo v2整体来说都是不错的：

好了，今天就到这里了，希望对学习理解有帮助，大神看见勿喷，仅为自己的学习理解，能力有限，请多包涵，图片来自网络，侵删。