YOLO v2

概述

[CVPR2017][YOLOv2] YOLO9000: Better, Faster, Stronger

Better

YOLO v1 精度上的缺点：

• 相比于 R-CNN 系列，YOLO 的 localization 错误率明显较高。
• YOLO 的 recall 较低（或许受限于一个 grid 只能识别一类物体）。

针对上述缺点，YOLO v2 做出了一系列的改进。

Batch Normalization

提供正则化，可以去除 dropout 而不过拟合。

High Resolution Classifier

在更高分辨率的图片上训练主体的分类网络。

Anchor Box

引入 anchor box，将预测对象从 YOLO v1 中全连接层直接输出坐标改变为利用 anchor box 预测偏置，简化预测问题。

Dimension Clusters

对于 anchor box，我们希望选取更好的先验以降低学习的难度。这一过程可以通过对于数据集进行 K-means 聚类完成。

注意到如果使用标准的欧氏距离，大框会比小框有更大的距离，考虑到我们追求的目标是更小的 $\text{IOU}$，自定义距离为 $$ d(\text{box}, \text{centroid}) = 1 - \text{IOU}(\text{box}, \text{centroid}) $$

Direct Location Prediction

在引入 anchor box 的过程中产生了新的问题：由于 R-CNN 系列模型中对于 anchor box 通过偏置推算且没有对应约束，因此 anchor box 可以出现在图片的任意位置。

$$\begin{cases} x = (t_x \times w_a) - x_a \\ y = (t_y \times h_a) - y_a \end{cases}$$

对于随机初始化的模型这会导致很高的不稳定性（尤其在初始阶段）且需要很久才能收敛。

解决方案是，对于每个 anchor box 都预测 $5$ 个值：$t_x, t_y, t_w, t_h, t_o$，如果 grid 的偏置是 $(c_x, c_y)$、anchor box 有长宽 $p_w, p_h$，则有预测：

$$\begin{cases} b_x = \sigma(t_x) + c_x \\ b_y = \sigma(t_y) + c_y \\ b_w = p_w e^{t_w} \\ b_h = p_h e^{t_h} \end{cases}$$

而置信度通过 $\sigma(t_o)$ 计算。

Fine-Grained Features

YOLO v2 的输入图片大小为 $416 \times 416$，经过多次最大池化后得到 $13 \times 13$ 的特征图。这一大小的特征图对于检测大物体足够，但对于小物体还需要更加精细的特征。

YOLO v2 的解决方案是增加 pass-through 层，对于之前的 $26 \times 26$ 的特征图，通过拼接的方式增加到输出的通道中。

Multi-Scale Training

多尺度图片，在训练过程中定时改变输入图片尺寸使得模型更鲁棒。

Faster

取代原先的 VGG16，改用 Darknet19、通过更多的降维、平均池化达到更快的速度。

Stronger

对于分类任务，标签通常较为详细；而对于检测任务，标签通常较为粗略。YOLO v2 希望能够通过统一的方法对这两者进行训练，以提高数据利用并联合训练。

使用 WordTree 对于标签通过语意进行分层，可以将详细和粗略的标签互化，得到 YOLO9000。

---

最后更新: 2022年6月30日