目录
- 前言
- 1. Better（更准）
- 2. Faster（更快）
- 3. Stronger（更壮）
前言
对应YOLOv1论文解读：You Only Look Once: Unified, Real-Time Object Detection（Yolov1） 论文详细解读
其他的论文可在该栏目搜索：论文解读栏目 （实时更新阅读）
YOLOv1检测速度快，但是精度没有R-CNN高，但它是一阶段的初始代表。
YOLOv2将其YOLOv1的精确度以及召回率提高，来提高mAP
通过题目也可看出，Yolov2的三个性能：更准确、更快、类别更多（用于检测9000种类别）
以下章节也是随着标题进行解析
1. Better（更准）
在Yolov1的基础上使用了一些改进，改进后的Yolov2在PASCAL VOC 以及 COCO上达到了很好的性能。
Yolov2：
- 多尺度训练（任意尺度大小）：高分率图片，性能降低；低分率图片，性能提高。总的来说是速度和精度的权衡（总体超过了 Faster R-CNN、ResNet 以及SSD）
- 联合训练方法（联合训练了目标检测数据集和图像分类检测训练集）：YOLO9000可以训练出图像中没有标签的类别。训练的数据集在COCO以及ImageNet 分类，测试的数据集在ImageNet 检测。
对应Yolov1的缺点是：
- 大多数的检测方法仍然受制于小部分的物体 （划分成7 * 7的小格子，而且每个格子只能检测一个物体）
- 定位性能差（Yolov1画框比较差）
- 召回率差（将所有目标检测出来的比较弱，这是因为7 * 7的小格子，每个小格子有两个Boxes，总共有98个，也是比较差）
本身Yolo的优点就是 ：端到端，速度快，并且把目标检测问题转换为回归问题
优化思路：
网络越深，性能更好。更好更深的网络一般集成不同的网络
类似这篇文章技巧：Deep Residual Learning for Image Recognition （ResNet）论文详细解读
但Yolov2要想网络的准确度和性能都变好，并不能简单地加大深度（网络深度让其参数量计算量都变多了，速度变慢了），所以此处不能加大网络，因为本身就要快，需要简化网络
解决方法：
提出一种新的方法来利用我们已有大量的分类数据，将其拓展现有的检测系统范围。该方法使用一种物体分类的分层观点，将其不同数据集结合在一起。提出一种联合训练的算法，允许在检测和分类的两个方面训练物体探测器，大致通过标记的检测图像来精确定位物体，同时使用分类图像来增加稳健性。（为监测类别贴上标签不太可能）
更好的性能往往取决于训练更大的网络或将其多个模型集合在一起。但yolov2本身简化了网络，使其成为更加精确的检测器。
具体的优化实验可看如下图：
补充知识点：
- recall （召回率）：真是目标中被检测出的比例
- 精确度：表示该框中的物体预测正确
具体优化参数以及功能如下表所示（表格中的图片可放大查看）：
| 优化参数 | 中文解释 | 具体阐述 | 优点 |
|---|---|---|---|
| Batch Normalization | BN （批量标准化） | 1. BN层主要应用在神经网络卷积之后，激活函数之前 2. 比如Batch为32，此处是对每一个神经元会进行标准化，分别输出32个神经元。求均值和标准差，把每一个响应减去均值除以标准差（标准化即 均值为0，标准差为1的分布）。标准化之后，乘以γ加上β 3. 之所以加了BN层之后不用dropout层，是因为两者一起使用效果不好。偏置项也可不用（强行已经减去均值，均值已经为0） BN的训练过程： 训练阶段：响应都会缩到0附近，之后经过sigmod或者softmax，都会被拉到非饱和区，避免梯度消失，起到正则化的效果 测试阶段：γ和β都用训练阶段中全局求出的参数（测试阶段只是线性变化） | 1. 提高收敛性，消除其他形式的正则化。（在所有的卷积层中添加批量归一化，有2%的mAP提高） 2. 本身可以防止过拟合。通过BN还可不用dropout层 |
| High Resolution Classifier | 高分辨分类器 | 背景： 目前所有分类器都在ImageNet预训练出来的，比如AlexNet（227 *227），几乎所有分类器都是小于256 * 256 ，原来的Yolov1是在224 *224 分辨率训练，之后在448的图像上训练（来回切换复杂度高） 改进： Yolov2在448 * 448的分辨率训练以10个epoch，在高分辨率图片中训练，之后在fine tune中目标检测，提升了4%的mAP | 可以使用高分辨率的输入 |
| Convolutional With Anchor Boxes | 带Anchor Boxes的全卷积（增大回归） | 背景： Yolov1的Bounding Boxes是从全连接层的张量中得到的（Yolov1的bounding Boxes没有标注长宽高，会有野蛮生长）。而Faster R-CNN手动选取先验框，模型输出的是相对于anchor Boxes的偏移量（提前预测矮胖、高瘦框）以及置信度，在卷积核中使用滑窗（比如13 * 13 输出9个） 改进： 1. 将其Yolov1最后一层全连接层去除，使用Anchor Boxes预测（Yolov1使用全连接层对边界框进行预测会丢失信息定位不准确） 2.去掉池化层让其输出有更好的分辨率 3.网络架构从418 * 418 变为416 * 416 （特征图为一个中心格子，容易检测物体） 4.下采用是32，输入416 * 416的图像，输出是13 * 13 * 5 * 25 （5个anchor个数。每个anchor都输出xywh以及置信度总共5个 外加20个类别，所以为25） | 背景所述的优点： 输出偏移量而不是输出坐标本身可以让网络更好的学习 改进的优点： 1. 采用Anchor Boxes可以将其分类和空间定位进行解耦，每个Anchor Boxes可以预测类别和置信度 2.总体召回率上升，但是精确度有所下降（因为原本Yolov1位 7 * 7 * 2 ，现在有了 13 * 13 * 5，图片多了精度有所下降。但是可以通过其他方法来提升精确度） |
| Dimension Clusters | 标注框聚类 | 背景： Faster R-CNN 的先验框都是指定的比如长宽矮胖等（但比例可能不对） 改进：对训练集使用k - means来实现聚类（让聚类告诉长宽比是多少） k-means 补充： 此处使用的k - means为欧式距离，大框产生更大距离，小框产生更小距离。所以此处使用IOU（和Boxes的尺寸无关）。 计算数据集中的其它框以及聚类中心框的IOU，用1 减去上面的结果作为距离度量指标（聚类中心特别好，与box完全一样，距离度量指标结果为0），如图所示：  对应的k参数选择，通过如下实验（蓝框为COCO，黑框为VOC），本身anchor和位置无关，只和长宽比有关：  一个格子生成过多框会非常庞大，最终选择 k = 5 这个参数 补充实验结果  得出聚类分析的先验框比手动选择的先验框 平均IOU要高 | 聚类的框有更少的矮胖框，有更多的高瘦框。而且有很高的IOU |
| Direct location prediction | 绝对位置预测 | 背景： 模型的不稳定，导致先验框的野蛮生长，主要来源x与y。 具体公式如下：  因为tx和ty这两个偏移量没有任何约束，中心坐标有约束，所以长宽会野蛮生长。边界框可以出现在任何位置。因为模型权重是初始化的，需要很长时间学习才可学习到稳定的偏移量 改进：不是预测绝对坐标，而是预测相对grid cell的坐标。使用逻辑回归，将数字限制在0和1之间。每个grid cell预测5个值（bw 和 bh 有e的指数，限制为正数）。 具体公式如下：  完整的图可看如下：  | 抑制先验框中偏移量的野蛮生长 |
| Fine-Grained Features | 细粒度特征 | 背景： 主要借鉴了Faster R-CNN 以及 SSD 将其 proposal 网络 都运行在各类的卷积核中。模型最后输出13 * 13的卷积核，可以检测小物体以及密集物体。 具体改进方法： 通过passthrough层将其高分辨率与低分辨率融合在一起（通过26 * 26 的浅层网络 和 模型的最后一层进行拼接） 详细步骤： 理论：最后一层池化层输入为26 * 26 * 512（将其下面步骤一和步骤二进行拼接） 一、26 * 26 * 512将其拆分为4块（类似Yolov5的 focus结构）变为 4 * 13 * 13 * 256（尺寸缩减为4倍，通道数变为原来的4倍） ，拼接起来为13 * 13 * 2048。 二、26 * 26 * 512 在经过池化和卷积变为 13 * 13 * 1024 三、将其步骤一和步骤二的输出进行拼接，变为13 * 13 * 3072（通过512 + 512 + 512 + 512 + 1024拼接） 代码：代码层面的处理没有理论这样，而是通过26 * 26 * 512 经过1 * 1 * 64的卷积（降维）得到26 * 26 * 64 ，在经过passthrough拆分变为 13 * 13 * 256，在与原先的13 * 13 * 1024 进行拼接 | 浅层特征加在深层的特征可以提高1%的mAP |
| Multi-Scale Training | 多尺度训练 | 网络结构只有卷积层和池化层（本身是Darknet-19） 为了鲁棒在不同尺度上运行，使用多尺度训练（不固定输入尺寸，每10个batches就随机输入不同尺寸大小的图片）。由于使用的下采用步长为32，输入的尺寸为32的倍数{320,352,…,608}  例子：如果输入的图像为320 * 320，下采用为32，输出的图像为10 * 10 | 同样网络不同尺度图片，输出的速度和精度可以达到权衡 |
除了以上的技巧以及实验，还有其他的更进一步研究：
PASCAL VOC2012 数据集 目标测试的结果：
Results on COCO 数据集 目标测试的结果：
不同尺度和精度的权衡：（用的同一个网络模型，只不过不同输入尺度，之所以可以这样，取决于全局平均池化）
2. Faster（更快）
类似自动驾驶,之所以实时主要依赖低延迟
VGG-16一般作为特征提取器，但VGG-16有很大的权重，有2个全连接层（计算量很大）
Yolov1基于Googlenet网络使用了一个自定义的网络，该网络比VGG-16快，但精度比VGG-16低。
Yolov2使用了Darknet-19的网络架构
完整架构图如下所示：
整体架构使用了19个卷积层以及5个池化层。内部主要采用3 * 3的卷积以及1 * 1的卷积（1 * 1 的卷积可用于降维处理计算，也可用于升维还原结果）
每层的卷积后使用BN层收敛模型以及防止过拟合。最后使用了全局平局池化预测（各自求平均）
主要作用：减少计算量，但mAP未显著提高，兼容不同尺度的大小
| 训练阶段 | 训练过程 |
|---|---|
| 分类网络 | 初始的时候都是224 * 224，在ImageNet 1000数据集中用Darknet-19训练，训练160轮（使用了4次随机梯度下降，初始值为0.1，也就是从大到小，使用了线性衰减。使用了L2正则化初始0.0005，动量0.9），使用了标准增强，色调饱和度明度等。 之后在高分辨率下进行fine tune，在448 *448 的大分辨率下训练10轮，得到top-1准确度为76.5%，而top-5准确度为93.3% |
| 目标检测网络 | 将其最后一个卷积层、全局平均池化层以及softmax层去除，换成3 * 3 * 2014的卷积层，最后跟着1 * 1的卷积层（和最后得到的维度是一样的，也就是13 * 13 * 5 * 25），每个格子要预测125个值。 同时增加了passthrough层（浅层特征融合深层特征） 总体训练了160轮，学习率为10-3，分别在第10、60、90的时候除以10，正则化0.0005，动量0.9，类似的数据增强方法（随机裁剪，颜色变化） |
3. Stronger（更壮）
检测的类别更多，但该论文效果不佳（不过也可学习，但目前很少使用该方法，都是用比较多的标签进行训练）
联合训练分类和目标检测的数据，我们的方法使用了目标检测的标签检测目标检测相关信息
回归Bounding boxes的目标、置信度、以及预测框的物体
图像标签的物体扩展类别
训练阶段，目标检测和分类的数据集混合一起（既能学习目标检测，又能发挥海量图像的优势）
- 带目边监测的标签即反向传播整个Yolov2的损失函数
- 带图像标签的图像，只传播分类相关的损失函数
目标检测的标签只有常见的，但分类的图像更加细致（需要把标签弄为一致）?
答案：如果使用softmax，可以联合训练的时候标签是一致的，但标签必须要互斥。所以需要使用多类别标签（一张图片可对应多个类别，类别不在互斥）
分层分类字典，需要结构化树形结构。
结合WorkNet，来一个标签就放入树中，即使有多条通向根标签的路径，选取最短的路径（符合奥卡姆剃刀原理）
最后变成了WordTree，预测每个节点的父节点概率，类似如下图：
计算节点的联合概率，只需一直相乘：
此处的Pr(physical object) = 1
在目标检测中 用置信度 来代表 Pr(physical object) ，预测出该节点在树中的可能。将其树进行上下倒转，从最高的概率开始分叉，直到达到阈值，将其最后作为物体的类别
原本是互斥，最后变为分层结构（每个类别都进行softmax，此处的类别有限，计算量不高）：
不同数据集整合在一起，COCO图像分类和ImageNet融合在一起：
将两种数据集合在一起之后，之后到ImageNet的数据集进行目标检测（半监督学习或者弱监督学习），将其原本Yolov2的5个Anchor改为3个（限制输出大小）
