yolov2目标检测原理探究

本篇主要记录学习yolov2的原理，主要是对yolov2论文的精读。参考：同济子豪兄

一、Better

1. Batch Normalization

  如图，BN层会把输入进行一个减去均值，除以方差的操作。得到的结果就是把输入集中在0附近，这么做的好处是之后的一些激活函数，比如sigmoid函数，他在0附近是非饱和区。在更大的地方是饱和区，会出现梯度消失，难以训练的情况。
  在训练阶段，比如batch size是32，某层的神经元会输出32个相应值，对这32个响应值求均值，标准差，再作归一化，把归一化后的响应值乘γ再加上β（对归一化结果作一个线性输出，尽可能减少归一化带来的信息损失），每个神经元都训练一组γ，β。
  测试阶段的均值，方差用训练阶段所得结果处理得到，此时的BN层是相当于作了一个线性变换。

2. High Resolution Classifier

  aka:高分辨率分类器。先在224x224的ImageNet上训练，再在448x448上训练。

3. Anchor

  在yolov1中每个grid所生成的两个bbox都是随机的，然后根据哪个和目标的IOU更大，谁就去作拟合。显然是不合适的。

  在yolov2中对此作了改进，对初始的bbox会有明确的定位，高瘦的，矮胖的，各自负责相对应的特征的目标。
  实际上，在yolov2中会把一张图片划分成13x13个grid cell。每个grid cell预测5个anchor。这五个anchor都有各自的初始特征。这么做的好处是可以更快的调整到目标状态，同时，所作的调整也是微调，会比之前小很多。
  与此相对的，相应的网络输出也和yolov1不一样了，需要注意的是原来yolov1中类别是归grid cell管的，但是在yolov2中类别是归anchor管的。因此，在yolov2中13x13个grid cell，每个grid cell产生5个anchor，每个anchor的参数有4个定位参数，1个置信度参数，以及20个类别概率参数。

  yolov2的输入是416x416x3的图像，经过骨干网络darknet-19后产生13x13x125(=5x(4+1+20))的输出。
  为防止和yolov1中一样的预测框野蛮生长，在yolov2中对预测框的偏移量作了限制，加了一个sigmoid函数，使得偏移量被限制在一定范围内。

  yolov2损失函数

4. Fine-Grained Features

  aka——细粒度特征
  先提取底层的细粒度特征，然后再和高层的语义特征结合、

5. Multi-Scale Training

  在训练的时候，每十步输入不同尺度的图像来训练，强迫网络对不同尺度的图像都能去适应。

二、faster

  主要是骨干网络的更换