文章目录[隐藏]
本文主要介绍了YOLOV2的
Better和Faster部分
1. Better
YOLOV1存在如下两个缺点：
- 定位误差大
- 与基于
region proposal的方法相比，召回率低
因此，我们集中提高定位准确性和召回率，同时保证分类的准确性
1.1 Batch Normalization
BN可以显著改善模型的收敛性，通过在每个卷积层的后面增加BN层，模型提高了**2%**的mAP。通过BN，我们可以在保证模型不会过拟合的情况下，丢弃dropout层
1.2 High Resolution Classifier
所有先进的检测算法都会在ImageNet预先训练好分类器，原来的YOLOV1在进行预训练时使用的是224x224的输入，然后再检测时将输入的分辨率调448x448，这意味着模型还要适应图像分辨率的改变。而对于YOLOV2，我们会在检测之前在ImageNet以分辨率为448x448训练10个epoch，这使得模型有时间再更高的分辨率输入的情况去调整参数，实验表明这样可以提高4%的mAP
1.3 Convolutional With Anchor Boxes
原来的YOLOV1直接利用全连接层来预测bounding box的坐标信息，而YOLOV2采用了Faster R-CNN的方法，引入了anchor。我们将原来网络的全连接层和最后一个pooling层去掉，使得最后的卷积层能输出更高分辨率的特征图。我们还缩减了网络，用416x416分辨率大小作为输入，而不是448x448。这样做的原因是希望得到的特征图有着奇数的宽和高，这样特征图的中心就只有一个，因为大的目标一般会占据图像的中心，所以最好在中心有一个单一的位置来预测这些目标。
网络会经过32倍下采样，最后输入13x13大小的特征图
使用anchor，模型的mAP值从69.5降到了69.2，下降了一丢丢，而召回率却从81%提高到了88%
1.4 Dimension Clusters
我们发现anchor的大小和比例都是手工按经验挑选的，然后网络会去调整这些anchor，如果我们最初就能选择合适大小的anchor，这样网络就更容易去学会预测。
我们采用K-means对训练集的boxes进行聚类，寻找合适的anchor。但是如果我们采用欧式距离来度量，这会导致尺寸大的box其误差也会更大**，然而我们真正想要的是与box大小无关，因此我们重新定义距离度量：
d
(
b
o
x
,
c
e
n
t
r
o
i
d
)
=
1
−
I
O
U
(
b
o
x
,
c
e
n
t
o
r
i
d
)
d(box, centroid)=1-IOU(box, centorid)
d(box,centroid)=1−IOU(box,centorid)
聚类结果显示大多数box都是高瘦，而矮胖的box较少。我们平衡了模型的复杂度和召回率，选择了
k
=
5
k=5
k=5
上表表示我们选择的5种anchor与Faster R-CNN的9种anchor效果差不多
1.5 Direct location prediction
引入anchor的第二个问题：模型不稳定，特别是在早期训练时。大部分的不稳定性来自于预测box的
(
x
,
y
)
(x,y)
(x,y)值。预测时计算公式如下：
x
=
(
t
x
∗
w
a
)
+
x
a
y
=
(
t
y
∗
h
a
)
+
y
a
x=(t_x * w_a)+x_a \\ y=(t_y*h_a)+y_a
x=(tx∗wa)+xay=(ty∗ha)+ya
这里是按照Faster R-CNN里面的公式写的，与原文不一样
比如当
t
x
=
{
1
,
−
1
}
t_x=\{1,-1\}
tx={1,−1}，预测box的横坐标可以出现在图像的任意位置，但我们更希望每个anchor仅能预测附近的GT box，因为其他位置的GT box也应该由其附近的anchor来预测而不是远离当前GT box的anchor来预测
我们采用了原来YOLOV1的方法预测相对于grid cell的坐标位置，而不是直接预测offset偏移量
网络在输出特征图的每个网格单元预测5个bounding box，对于每个bounding box预测5个坐标：
t
x
,
t
y
,
t
w
,
t
h
,
t
o
t_x, t_y, t_w, t_h, t_o
tx,ty,tw,th,to。如果这个网格单元相对于图像的左上角的偏移量为
c
x
,
c
y
c_x, c_y
cx,cy并且anchor的宽高为
p
w
,
p
h
p_w,p_h
pw,ph，那么预测对应于：
b
x
=
σ
(
t
x
)
+
c
x
b
y
=
σ
(
t
y
)
+
c
y
b
w
=
p
w
e
t
w
b
h
=
p
h
e
t
h
P
r
(
o
b
j
e
c
t
)
∗
I
O
U
(
b
,
o
b
j
e
c
t
)
=
σ
(
t
o
)
b_x = \sigma(t_x) + c_x \\ b_y = \sigma(t_y) +c_y \\ b_w = p_we^{t_w} \\ b_h = p_he^{t_h} \\ Pr(object)*IOU(b, object)=\sigma(t_o)
bx=σ(tx)+cxby=σ(ty)+cybw=pwetwbh=phethPr(object)∗IOU(b,object)=σ(to)
1.6 Fine-Grained Features
这里主要是添加了一个层：passthrough layer。这个层的作用就是将前面一层的26*26的feature map和本层的13*13的feature map进行连接，有点像ResNet。这样做的原因在于虽然13*13的feature map对于预测大的object以及足够了，但是对于预测小的object就不一定有效。也容易理解，越小的object，经过层层卷积和pooling，可能到最后都不见了，所以通过合并前一层的size大一点的feature map，可以有效检测小的object
1.7 Multi-Scale Training
由于我们的模型只有卷积和池化，我们可以动态的调整输入图像的大小，于是我们引入了多尺度训练，我们每隔10次迭代随机选择一个新的图像大小进行输入。由于我们的模型的下采样是32倍，因此我们从
{
320
,
352
,
.
.
.
,
608
}
\{320,352, ..., 608\}
{320,352,...,608}去选择。
这种方式会强迫模型学会在各种输入维度上做出准确的预测，网络在小尺寸运行较快，所以YOLOV2在速度和准确性做了个简单的权衡
2. Faster
2.1 Darknet-19
这个网络在ImageNet上取得了top-5的91.2%的准确率
2.2 Training for classification
我们首先在ImageNet数据集上训练160个epochs，其中在训练期间使用的数据增强方式有：随机裁剪、旋转以及色度，饱和度和对比度的调整。
然后我们在对网络初步训练后，微调了我们的网络，采用了448x448作为输入，训练10个epochs
2.3 Training for detection
将网络转换为进行检测，我们删除最后一个卷积层，然后添加3个3x3的卷积层，每个卷积层有1024个filter，而且每个后面跟着一个1x1卷积层，其filter的个数由需要检测的类别数来确定
参考：
版权声明：本文为CSDN博主「何如千泷」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_42735631/article/details/121456856
暂无评论