yolo系列文章之yolov2詳解
論文地址：YOLO9000: Better, Faster, Stronger
主要介紹
YOLO9000可以檢測多達9000種不同的物體，通過使用多尺度的訓練方法，可以使得yolov2在多種尺度上運行，在檢測速度與精度上可以達到平衡。另外利用聯合訓練目標檢測與分類的方法，使用這種方法，我們在COCO檢測數據集上與ImageNet分類數據集上同時訓練YOLO9000， 這種聯合訓練可以使得YOLO9000能夠檢測未標註檢測數據的目標檢測數據集。在ImageNet檢測數據集上驗證這種方法，儘管在200類中僅僅有44類含有標註資訊，依然得到19.7的map，在COCO數據集中沒有的156類，我們得到了16.0map。
由於檢測數據集獲取標註難度較大，成本較高，通過利用已有的大量分類數據來擴大當前檢測系統的範圍。 提出的方法使用目標分類的分層視圖，因此可以將不同的數據集組合在一起。
提出一種聯合訓練的方法，同時利用目標檢測數據集與分類數據集一起進行訓練，利用檢測數據標註資訊來學習精確的定位目標，利用分類影像來增加模型魯棒性。
演算法細節介紹
YOLOv1存在大量的問題，尤其是與two-stage的方法相比，產生大量的定位錯誤，而且召回率相對較低，因此YOLO9000主要著眼於改善召回率與定位精度。
效果更好
-
使用batch normalization，改善模型收斂性，不再需要其他形式的正則化
-
採用High Resolution Classififier（高解析度分類器），一般在Imagenet影像分類任務中，模型基本上採用224×224的解析度進行訓練。使用更大的輸入影像解析度能夠有效的提升演算法的精度。
-
Convolutional With Anchor Boxes（與錨框卷積），從YOLO中移除全連接層，並使用錨框來預測邊界框。 首先我們消除一個池化層，以使網路卷積層的輸出具有更高的解析度，輸入影像的尺寸採用416，這樣保證在需要 的特徵圖上有奇數個位置，這樣就能保證只有一個中心單元，YOLO下取樣層下降32倍得到13×13的特徵圖。
引入錨框後，我們將類預測機制與空間位置分開處理，單獨預測每個錨框的類及其目標。 遵循原來的YOLO的做法，目標預測依然預測了真實標籤框（ground truth box）和候選框的IOU，而類別預測也是預測了當有目標存在時，該類別的條件概率。
-
Dimension Clusters（維度聚類），如果在YOLO中使用錨框時，錨框的尺寸是手工設計挑選的，這很影響演算法的精度，與收斂效果。這裡在訓練集的邊界框上採用K-means來進行聚類，而距離度量時，如果採用歐式距離，那麼較大的框產生的誤差較大，這樣影響聚類效果，因此據類度量採用
1-IOU作為距離度量。 -
Direct location prediction（直接位置預測），當在yolo中使用錨框時，會遇到模型不穩定的問題，尤其在早期迭代的過程中，大量的不穩定主要來自於預測bbox的位置，原有的邊界框預測公式為：
其中xa,ya,wa,ha分別為錨框的位置資訊，tx，ty是要學習的參數。由於 tx，ty 的取值沒有任何約束，因此預測邊框的中心可能出現在任何位置，訓練早期階段不容易穩定。因此在YOLOv2中作者更改了這個公式，將預測邊界框的中心約束在特定的grid cell中。
其中， 是預測邊框的中心和寬高。
是預測邊框的置信度，YOLO1是直接預測置信度的值，這裡對預測參數
進行σ變換後作為置信度的值。
是當前網格左上角到影像左上角的距離，要先將網格大小歸一化，即令一個網格的寬=1，高=1。
是先驗框的寬和高。 σ是sigmoid函數。
是要學習的參數，分別用於預測邊框的中心和寬高，以及置信度。
如圖所示，tx，ty被限制在（0，1）之中，模型更容易學習，更容易穩定。
- Fine-Grained Features（細粒度特徵），為了解決小目標檢測比較困難，準確率較低的問題，yolov2中添加了一個passthrough層，將26x26x512的特徵，轉換為13x13x2048與最後特徵層輸出13x13x1024相疊加為13x13x3072作為最終預測的特徵層。
- Multi-Scale Training（多尺度訓練），yolov2的模型僅僅使用了卷積層與池化層，因此在訓練時可以實時更換輸入影像的尺度，運用多尺度及逆行模型的訓練。每10個epoch網路會隨機選擇一個輸入尺度進行訓練，每次從{320，352…, 608}（均為32的倍數，因為網路經過下取樣縮放32倍）。
速度更快
沒有採用VGG網路作為backbone，而是採用自定義的DarkNet作為backbone，精度不弱於vgg，但是浮點運算量減少到原來的1/5，速度更快。
YOLO2的訓練主要包括三個階段。
第一階段就是先在ImageNet分類數據集上預訓練Darknet-19，此時模型輸入為 224*224 ，共訓練160個epochs。
然後第二階段將網路的輸入調整為 448*448 ，繼續在ImageNet數據集上finetune分類模型，訓練10個epochs，此時分類模型的top-1準確度為76.5%，而top-5準確度為93.3%。
第三個階段就是修改Darknet-19分類模型為檢測模型，移除最後一個卷積層、global avgpooling層以及softmax層，並且新增了三個 3*3*1024卷積層，同時增加了一個passthrough層，最後使用 1*1 卷積層輸出預測結果，輸出的channels數為：num_anchors*(5+num_classes) ，和訓練採用的數據集有關係。由於anchors數為5，對於VOC數據集（20種分類對象）輸出的channels數就是125，最終的預測矩陣T的shape為 (batch_size, 13, 13, 125)，可以先將其reshape為 (batch_size, 13, 13, 5, 25) ，其中 T[:, :, :, :, 0:4] 為邊界框的位置和大小 ，T[:, :, :, :, 4] 為邊界框的置信度，而 T[:, :, :, :, 5:] 為類別預測值。
更強
提出了一個聯合訓練分類和檢測數據的機制。 用檢測的影像來學習檢測演算法的特定資訊，如邊界框坐標預測和目標以及如何對常見目標進行分類。通過使用僅具有類標籤的影像來擴展其可檢測類別的數量。
在訓練的過程中，混合影像分類與檢測數據集，如果是檢測數據樣本，那麼訓練時其loss包括分類誤差與檢測定位誤差，如果是分類樣本，那麼在訓練的過程中，loss只包含分類誤差。
但是這種方法也有很多的條件，檢測數據集只有常用的目標和通用的標籤，分類數據集含有更多的標籤類別資訊。如果想要在這兩種數據集上訓練，需要整合這兩種數據集並且混合label資訊。
大多數分類方法使用涵蓋所有可能類別的softmax層來計算最終概率分布。使用softmax，意味著類是相互排斥的。這給組合數據集帶來了問題，例如，你不能用這個模型來組合ImageNet和COCO，因為類Norfolk terrier和dog不是互斥的。
相反，我們可以使用多標籤模型來組合不會互相排斥的數據集。這個方法忽略了我們所知道的關於數據的所有結構，例如所有的COCO類都是相互獨立的。
通過構建word tree來進行標籤的處理。
