【论文阅读笔记】YOLO9000: Better, Faster, Stronger
YOLO9000: Better, Faster, Stronger
- （一）论文链接：
- （二）核心观点：
- （三）YOLO的缺陷：
- （四）Batch Normalization技术：
- （五）高分辨率分类器系统：
- （六）卷积神经网络 anchor框增强：
- （七）维度聚类方法：
- （八）细粒度特征提取：
- （九）多尺度训练策略：
- （十）Darknet-19网络结构：
- （十一）联合训练框架：
- （十二）实验结果展示：
（一）论文地址：
https://arxiv.org/abs/1612.08242
（二）核心思想：
基于YOLO的方法，作者结合了批量标准化技术、高分辨率分类器以及预选框工具，开发出了显著提升了效率的YOLO v2。
基于联合训练（Joint Training）算法，能够在海量分类图像识别数据集上进行目标检测任务的训练。经过训练的 YOLO 9000 具备识别 9000 种物体的能力；
（三）YOLO 的不足：
- 基于直接回归坐标的方法，该方案在精准预测方面存在不足；
- 召回率（recall）较低，表明该方法在检测或分类任务中的召回效果欠佳。
（四）Batch Normalization：
Batch Normalization（批量标准化）是Google研究团队在Inception V2模型中提出的一种方法，其核心是通过线性变换将输入数据转换为均值为0、方差为1的正态分布，从而有效缓解了随着网络深度增加导致的梯度消失问题，同时具有显著的正则化效果。
在 YOLO 框架中，作者大量采用了 Batch Normalization 技术，这使得系统在目标检测任务中的平均精度（mAP）提升了大约 2%。值得注意的是，这种改进使得我们无需再依赖 Dropout 技术来提升性能。
（五）High Resolution Classifier：
以前的目标检测网络通常都是通过在经过预训练阶段后，Backbone需要适应目标检测任务的特性，这表明在预训练过程中，Backbone主要基于分辨率较低的分类图片进行学习，这与目标检测任务对高分辨率细节的敏感性存在差异。
该研究采用448×448分辨率的图像进行Backbone预训练，并仅在ImageNet上进行10个Epoch的微调训练，最终使mAP指标提升4%。
（六）Convolutional With Anchor Boxes：
为了解决预测框不准确的问题，作者不再采用YOLO直接预测预测框坐标的方法，而是采用类似于Faster-RCNN的预选框方法，专注于预测目标物体的预测框位置和尺寸。
作者去除了YOLO中的全连接层结构和一个池化层配置，以最终结果为目标，构建了一个较大的卷积层。
为了确保图像最后的预测结果具有单中心网格特征，作者采用了 416×416 大小作为输入数据，下采样因子设定为 32，即 2^5，从而提取出一个 13×13 大小的特征层。
为了确保图像最后的预测结果具有单中心网格特征，作者采用了 416×416 大小作为输入数据，下采样因子设定为 32，即 2^5，从而提取出一个 13×13 大小的特征层。
采用锚框（Anchor Boxes）后，尽管mAP降低了约0.3%，但召回率由81%提升至88%，由此可见，YOLO v2仍存在较大的改进潜力。
（七）Dimension Clusters
为了更准确地进行目标检测任务，作者采用了K-means聚类算法来选择合适的先验框数量。考虑到Faster-RCNN和SSD各自采用的先验框大小都是手动设定的，这可能无法准确表征目标特征，因此需要一种更科学的方法来确定先验框的大小。
距离指标为：
综合考虑模型复杂度和召回率，最终选定 k=5；
在最后的特征层中，其尺寸为 13×13，每个单元格推导出 5 个坐标参数 \{t_x, t_y, t_w, t_h, t_o\}，即可推导出：
其中 b_x,b_y,b_w,b_h 就是最后的预测框坐标，c_x,c_y,p_w,p_h 是 Anchor Box 的坐标；
并且使用 \sigma(t_o) 作为置信度；
（八）Fine-Grained Features：
在融合低层特征的过程中，作者开发了一个通路层。该层通过提取上一层池化操作后的特征通道，其空间维度为 26×26，通道数量为512。将每个 2×2 的局部空间区域转换为独立的特征通道，从而生成了一个 13×13×4048 的特征层，该层用于后续的预测任务。
（九）Multi-Scale Training：
YOLO v2 仅包含卷积层和池化层结构，这使得它能够适应不同尺寸的图像输入。因此，YOLO v2 在面对不同尺寸的图像时展现出良好的鲁棒性。
作者在训练过程中设置了32倍数的输入大小，具体数值包括320, 352, ..., 608。每隔10个epoch，作者会重新随机选择一个输入大小。
（十）Darknet-19：
作者还为YOLO v2开发了一个Backbone，在架构上借鉴了VGG网络，但通过大量采用1×1卷积进行降维处理，并在此处采用了全局池化操作，以提升特征提取效果。
（十一）Joint Training：
该系统分别采用了目标检测数据集和图像识别数据集。在图像识别数据的反向传播过程中，仅采用了分类 Loss，并同时采用了层级分类标签。
（十二）实验结果：
