深度学习_目标检测_YOLOv2论文详解

YOLOv2的创新点

YOLOv1虽然检测速度块，但在定位方面不够准确，并且召回率低。为了提升定位准确率，改善召回率，YOLOv2在YOLOv1的基础上提出了几种改进策略，如下图所示，可以看到，一些改进方法能有效提高模型的mAP。

1. 大尺度预训练分类。
2. 使用新的网络：DarkNet-19。
3. 加入anchor。

YOLOv2详解介绍

1.Batch Normalization

YOLOv2中在每个卷积层后加Batch Normalization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%。

2.High Resolution Classifier

目前的大部分检测模型都会使用主流分类网络（如VGG、ResNet等）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$256\times 256$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$448\times 448$，为了使网络适应新的分辨率，YOLOv2先在ImageNet上以$448\times 448$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%。

3.Convolutional With Anchor Boxes

YOLOv1利用全连接层直接对边界框进行预测，导致丢失较多空间信息，定位不准。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。由于图片中的物体都倾向于出现在图片的中心位置，若特征图恰好有一个中心位置，利用这个中心位置预测中心点落入该位置的物体，对这些物体的检测会更容易。所以总希望得到的特征图的宽高都为奇数。YOLOv2通过缩减网络，使用$416\times 416$的输入，模型下采样的总步长为32，最后得到$13\times 13$的特征图的每个像素预测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$13\times 13\times 5 = 845$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%。也就是说召回率提升了7%，准确率下降了0.3%。

4.Dimension Clusters

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，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。

5.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$3\times 3$卷积和$1\times 1$卷积，这里$1\times 1$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。采用darknet-19模型，mAP值没有显著提升，但计算量减少了。

6.Direct location prediction

Faster R-CNN使用anchor boxes预测边界框相对先验框的偏移量，由于没有对偏移量进行约束，每个位置预测的边界框可以落在图片任何位置，会导致模型不稳定，加长训练时间。YOLOv2沿用YOLOv1的方法，根据所在网格单元的位置来预测座标，则Ground Truth的值介于0到1之间。网络中将得到的网格预测结果再输入sigmoid函数中，让输出结果介于0到1之间。设一个网格相对于图片左上角的偏移量是cx，cy。先验框的宽度和高度分别是pw和ph，则预测的边界框相对于特征图的中心座标（bx，by）和宽高bw、bh的计算公式如下图所示。

YOLOv2结合Dimention Clusters，通过对比边界框的位置预测进行约束，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%。

7.Fine-Grained Features

YOLOv2借鉴SSD使用了多尺度的特征图做检测，提出pass through层将高分辨率的特征图与低分辨率的特征图联系在一起，从而实现多尺度检测。YOLOv2提取Darknet-19最后一个max pool层的输入，得到$26\times 26\times 512$的特征图。经过$1\times 1\times 64$的卷积以降低特征图的维度，得到$26\times 26\times 64$，然后经过pass through层的处理变成$13\times 13\times 256$的特征图（抽取愿特征图每个$2\times 2$的局部区域组成新的channel，即原特征图大小降低4倍，channel增加4倍），再与$13\times 13\times 1024$大小的特征图连接，变成$13\times 13\times 1280$的特征图，最后在这些特征图上做预测。使用Fine-Grained Features，YOLOv2的性能提升了1%。

8.Multi-Scale Training

YOLOv2中使用的Darknet-19网络结构中只有卷积层和池化层，所以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借鉴了很多其他目标检测模型的一些技巧，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的训练过程

1. 先在ImageNet分类数据集上预训练Darknet-19，此时模型输入为$224\times 224$的尺寸，共训练160个epochs。
2. 将网络的输入调整为$448\times 448$，继续在ImageNet数据集上finetune分类模型，训练10个epochs，此时分类模型的top-1准确率为76.5%，而top-5准确率为93.3%。
3. 修改Darknet-19分类模型为检测模型，并在检测数据集上继续finetune网络。