目标检测yolo系列-yolo v2(yolo9000)(2016年)

Posted 2021-09-03 超级无敌陈大佬的跟班

目录

YOLOv2创新点

☆Batch Normalization

High Resolution Classifier (高分辨率图像微调主干网络)

☆使用 anchor box 先验框

☆New Network：Darknet-19

Dimension Clusters（聚类提取先验框的尺度信息）

Direct location prediction（约束预测边框的位置）

Fine-Grained Features （细粒度特性）

Multi-Scale Training（多尺度训练）

YOLOv2 存在的问题

---

YOLOv2创新点

YOLOv1 虽然检测速度快，但在定位方面不够准确，并且召回率较低。为了提升定位准确度，改善召回率，YOLOv2 在 YOLOv1 的基础上提出了几种改进策略

YOLOv2-1

• ☆Batch Normalization

        YOLOv2 中在每个卷积层后加 Batch Normalization (BN) 层，去掉 dropout。BN 层可以起到一定的正则化效果，能提升模型收敛速度，防止模型过拟合。YOLOv2 通过使用 BN 层使得 mAP 提高了 2%。

• High Resolution Classifier (高分辨率图像微调主干网络)

        目前的大部分检测模型都会使用主流分类网络（如 vgg、resnet）在 ImageNet 上的预训练模型作为特征提取器，而这些分类网络大部分都是以小于 256x256 的图片作为输入进行训练的，低分辨率会影响模型检测能力。YOLOv2 将输入图片的分辨率提升至 448x448，为了使网络适应新的分辨率，YOLOv2 先在 ImageNet 上以 448x448 的分辨率对网络进行 10 个 epoch 的微调，让网络适应高分辨率的输入。通过使用高分辨率的输入，YOLOv2 的 mAP 提升了约 4%。

• ☆使用 anchor box 先验框

        YOLOV1包含有全连接层，从而能直接预测Bounding Boxes的坐标值。 Faster R-CNN的方法只用卷积层与Region Proposal Network来预测Anchor Box的偏移值与置信度，而不是直接预测坐标值。作者发现通过预测偏移量而不是坐标值能够简化问题，让神经网络学习起来更容易。

        YOLOv2 去掉了 YOLOv1 中的全连接层，使用Anchor Boxes 预测边界框，同时为了得到更高分辨率的特征图，YOLOv2 还去掉了一个池化层。YOLOv2通过缩减网络，使用416x416的输入，模型下采样的总步长为 32，最后得到 13x13 的特征图，然后对 13x13 的特征图的每个 cell 预测 5 个 anchor boxes，对每个 anchor box 预测边界框的位置信息、置信度和一套分类概率值。使用 anchor boxes 之后，YOLOv2 可以预测 13x13x5=845 个边界框，模型的召回率由原来的 81% 提升到 88%，mAP 由原来的 69.5% 降低到 69.2%；召回率提升了 7%，准确率下降了 0.3%。

• ☆New Network：Darknet-19

        YOLOv2 采用 Darknet-19，其网络结构如下图所示，包括19个卷积层和5个max pooling 层，主要采用3x3卷积和 1x1 卷积，这里 1x1 卷积可以压缩特征图通道数以降低模型计算量和参数，每个卷积层后使用BN层以加快模型收敛同时防止过拟合。最终采用global avg pool做预测。

        Darknet-19只需要55.8亿次操作就可以处理一张图像，但在ImageNet上却可以达到72.9%的top-1精度和91.2%的top-5精度。优点是计算量小精度高。YOLOv2采用Darknet-19作为基网络，减少了模型的计算量。

• Dimension Clusters（聚类提取先验框的尺度信息）

        在 Faster R-CNN 和 SSD 中，先验框都是手动设定的，带有一定的主观性。YOLOv2 采用 k-means 聚类算法对训练集中的边界框做了聚类分析，寻找尽可能匹配样本的边框尺寸。选用 boxes 之间的 IOU 值作为聚类指标。综合考虑模型复杂度和召回率，最终选择 5 个聚类中心，得到 5 个先验框，发现其中扁长的框较少，而瘦高的框更多，更符合行人特征。通过对比实验，发现用聚类分析得到的先验框比手动选择的先验框有更高的平均 IOU 值，这使得模型更容易训练学习。

• Direct location prediction（约束预测边框的位置）

        YOLOv2 对边界框的位置预测进行约束，将预测边框的中心约束在特定gird网格内，使模型更容易稳定训练，这种方式使得模型的mAP值提升了约 5%。       

         

• Fine-Grained Features （细粒度特性）

        目标检测面临的一个问题是图像中对象会有大有小，输入图像经过多层网络提取特征，最后输出的特征图中（比如YOLO2中输入416*416经过卷积网络下采样最后输出是13*13），较小的对象可能特征已经不明显甚至被忽略掉了。为了更好的检测出一些比较小的对象，最后输出的特征图需要保留一些更细节的信息。

        YOLO2引入一种称为passthrough层的方法在特征图中保留一些细节信息。具体来说，就是在最后一个pooling之前，特征图的大小是26*26*512，将特征图尺寸1拆4(26*26拆分成4个13*13)，直接传递(passthrough)到pooling+conv后的特征图，然后两者叠加到一起作为输出的特征图。使用 Fine-Grained Features，YOLOv2 的性能提升了 1%.

• Multi-Scale Training（多尺度训练）

        YOLOv2 使用的 Darknet-19 网络结构中只有卷积层和池化层，所以其对输入图片的大小没有限制。YOLOv2 采用多尺度输入的方式训练，在训练过程中每隔 10 个 batches , 重新随机选择输入图片的尺寸，由于Darknet-19下采样总步长为32，输入图片的尺寸一般选择32的倍数 {320,352,…,608}。

        采用 Multi-Scale Training, 可以适应不同大小的图片输入。当采用低分辨率的图片输入时，mAP值略有下降但速度更快；当采用高分辨率的图片输入时，能得到较高mAP值，但速度有所下降。

YOLOv2 借鉴了很多其它目标检测方法的一些技巧，如 Faster R-CNN 的 anchor boxes, SSD 中的多尺度检测。除此之外，YOLOv2 在网络设计上做了很多 tricks, 使它能在保证速度的同时提高检测准确率，Multi-Scale Training 更使得同一个模型适应不同大小的输入，从而可以在速度和精度上进行自由权衡 。

YOLOv2 存在的问题

YOLO v2 对 YOLO v1 的缺陷进行优化，大幅度高了检测的性能，但仍存在一定的问题，如无法解决重叠问题的分类等。