[人工智能]图像算法-Yolov2

内容简介

在参考了fast-RCNN和SSD算法,设计了YOLOv2，在精度上利用了一系列的训练技巧，在速度上利用了新的网络模型DarkNet19，在分类任务上采用联合训练的方法，结合wordtree等方法，使用YOLO的检测种类扩充到了上千种，作者在论文中称可以检测9000个类别的目标，所以也称为YOLO9000，该模型可以使用不同的尺寸运行，从而在速度和准确性之间提供了一个简单的折衷。

较V1版本的改进策略

YOLOv2对v1版本采取了很多的改进措施，以提高模型的mAP,如下图所示：

（1）Batch Normalization（批量正则化）。YOLOv2中在每个卷积层后加BatchNormalization(BN)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（高分辨率分类器）。原来的YOLO网络在预训练的时候采用的是224224的输入（这是因为 一般预训练的分类模型都是在mageNet数据集上进行的），然后在detection的时候采用448448的输入，这会导致从分类模型切换到检测模型的时候，模型还要适应图像分辨率的改变。而YOLOv2则将预训练分成两步：先用224224的输入从头开始训练网络，大概160个epoch（表示将所有训练数据循环跑160次），然后再将输入调整到448448，再训练10epoch。注意这两步都是在ImageNet数据集上操作。最后再在检测的数据集上fine-tuning，也就是detection的时候用448*448的图像作为输入就可以顺利过渡了。作者的实验表明这样可以提高几乎4%的mAP。

（3）Convolutional With Anchor Boxes（带Anchor Boxes的卷积）。 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416416的输入，模型下采样的总步长为32，最后得到1313的特征图，然后对1313的特征图的每个cell预测5个anchorboxes，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1313*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%.召回率提升了7%，准确率下降了0.3%。

（4）Dimension Clusters（维度聚类）。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（新的网络）。 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33卷积和11卷积，这里1*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
YOLOv2，模型的mAP值没有显著提升，但计算量减少了。

（6）直接定位预测（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坐标,则Ground Truth的值介于0到 1之间。网络中将得到的网络预测结果再输入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 $c_x$，$c_y$ 。先验框的宽度和高度分别是$p_w$和$p_h$ ，则预测的边界框相对于特征图的中心坐标 $(b_x，b_y)$ 和宽高 $b_w$，$b_h$ .

（7）细粒度特征（Fine-Grained Features）。 YOLOv2借鉴SSD使用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2626512的特征图。经过1164的卷积以降低特征图的维度，得到262664的特征图，然后经过pass through层的处理变成1313256的特征图（抽取原特征图每个22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13131024大小的特征图连接，变成1313*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）多尺度训练（Multi-Scale Training）。 YOLOv2中使用的Darknet-19网络结构中只有卷积层和池化层，所以其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}（最小的选项是320×320，最大的是608×608。我们调整网络的尺寸并继续训练）。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。

训练过程

• 第一阶段：现在ImageNet分类数据集上训练Darknet-19,此时模型输入为224*224，共训练160轮。
• 第二阶段：将网络输入调整为448*448，继续在ImageNet分类数据集上训练细调模型，共10轮，此时分类模型top-1准确率为76.5%，而top-5准确度为93.3%
• 第三阶段：修改Darknet-19分类模型为检测模型，并在检测数据集上继续细调网络

模型的优缺点

（1）优点

• YOLOv2使用了一个新的分类器作为特征提取部分，较多使用了33卷积核，在每次池化后操作后把通道数翻倍。网络使用了全局平均池化，把11卷积核置于3*3卷积核之间，用来压缩特征。也用了batch
  normalization稳定模型训练
  最终得出的基础模型就是Darknet-19，包含19个卷积层，5个最大池化层，运算次数55.8亿次，top-1图片分类准确率72.9%，top-5准确率91.2%
  YOLOv2比VGG16更快，精度略低于VGG16

（2）缺点

• YOLOv2检测准确率不够，比SSD稍差
• 不擅长检测小物体
• 对近距离物体准确率较低