YOLO v2 笔记

网络结构

相较于 YOLO v1 的改进

1. 保留 v1 数据增强的策略的同时，增加了图片180°反转和多尺度训练。

2. 添加了 batch normalization，舍弃掉了 dropout，提升模型泛化能力的同时使得模型更容易收敛。

3. 首次提出 darknet19，并用全卷积替代全连接，解决了v1全连接的问题，大大减少了参数规模。

4. 不再像 v1 一样，直接预测 BBox 的位置和大小，而是受 faster r-cnn 影响，有了 anchor 的概念，从而预测 BBox 相对于 anchor boxes 的偏移量。

5. v2 对 Faster R-CNN 的人为设定先验框方法做了改进，采样 k-means 在训练集 BBox 上进行聚类产生合适的先验框。由于使用欧氏距离会使较大的 BBox 比小的 BBox 产生更大的误差，而 IOU 与 BBox 尺寸无关，因此使用 IOU 参与距离计算，使得通过这些 sanchor boxes 获得好的 IOU 分值。改进的距离评估公式：

\[\mathrm { d } ( \mathrm { box } , \text { centroid } ) = 1 - \mathrm { IOU } ( \mathrm { box } , \text { centroid } )\]

使用聚类方法进行选择的优势是达到相同的 IOU 结果时所需的 anchor box 数量更少,使得模型的表示能力更强，任务更容易学习。同时作者发现直接把 faster-rcnn 预测 region proposal 的策略应用于 YOLO 会出现模型在训练初期不稳定。原因来自于预测 region proposal 的中心点相对于 anchor boxes 中心的偏移量较大，不好收敛，公式如下：

$$\begin{array} { l } { x = \left( t _ { x } * w _ { a } \right) - x _ { a } } \\ { y = \left( t _ { y } * h _ { a } \right) - y _ { a } } \end{array}$$

由下图可见，将预测值加以 sigmoid 运算，将 region proposal 的中心点牢牢地限定在了 anchor box 的中心点所在的 cell 里，很明显这样偏移量会好学了很多。

注：

• $c _ { x } , c _ { y }$ 是当前 cell 左上角的坐标，$p _ { w } , p _ { h }$ 是 anchor box 的长宽，$b _ { w } , b _ { h }$ 是 region proposal 的长宽。

• 输出从 v1 的 S × S × (B × (coordinates + width ＋ height + confidence) + C)，变为 v2 的 S × S × B × (coordinates + width ＋ height+ confidence + C)。此时 S=13，B=5，且从 v1 的一个 cell 预测一个类变为了一个 anchor box 预测一类。这是为了解决临近物体检测效果不好问题。

• 损失函数改进，v1 部分提到过，在处理大、小物体上，损失计算设计的不太好，所以 v2 不再简单的对长宽加根号了，而是用 $2 - \mathrm { W } _ { i j ^ { * } } h _ { i j }$ 作为系数加大对小框的损失，$\mathrm { W } _ { i j }$ 和 $\mathrm { h } _ { i j }$ 是第 i 个 cell 的第 j 个 BBox 所匹配到的 ground truth 的长和宽，它们都是相对于原则趋近于 1。可以得出，小物体的惩罚比大物体重。

• 为了获得更多小物体的信息，v2 将第 16 层的 feature map 进行了下采样（26->13），同时将 channel 升维（512->2048），并和第 24 层做了拼接（Concat），作为最终预测的 feature map。