模型改进

卷积化

在 V1 中，最后的输出结果是靠「全连接层」得到的，这也就限制了输入图片的尺寸。因此在 V2 将所有的全连接层转为了卷积层，构造了新的网络结果 DarkNet19，其中还利用 1x1 卷积对模型进行优化。

• 全连接层卷积化

• 1x1 卷积

Batch Nomalization

在 DarkNet19 网络中，对于卷积层加入了 Batch Normalization ，并删除了 dropout 。

由于 DarkNet19 做了 5 次池化且卷积均进行了padding，所以输入图片将会被缩放 $2^5=32$ 倍，即 448x448 的输入，输出结果应当是 448/32=14，但是14x14的结果没有特定的中心点，为了制造一个中心点，模型的输入图片尺寸就更改为了416x416，输出结果就变为了13x13。

Fine-Grained Features

在 DarkNet19 模型中，存在一个 PassThrough Layer 的操作，该操作就是将之前阶段的卷积层结果与模型输出结果进行相加。根据 感受野 可知，越靠前的网络层对细节的把握越好，越靠后的网络更注重于目标整体，为了使得输出结果对小物体有更好的把握，就可以利用 PassThrough Layer 来提升结果特征图对小物体的敏感度。

图片输入

由于历史原因，ImageNet分类模型基本采用大小为 224x224 的图片作为输入，所以 YOLO V1 模型训练使用的输入图片大小其实为 224x224，在模型预测时，又使用的是 448x448 的图片作为输入，这样就导致模型的训练和模型的预测，输入其实是有差异的。为了弥补这个差异，模型训练的最后几个 epoch 采用 448x448 的图片进行训练。

Anchor Box

YOLO V1 的 bounding box 缺陷：

1. V1 中，对于 bounding box 的预测结果并未加限制，这就会导致 bounding box 的中心点可能会跑到其他单元格内
2. bounging box 的宽度与高度是靠模型自己学习的，这就可能走很多弯路。

Anchor

3. 模型训练开始前，人为为每个单元格预定义几个不同大小的 Anchor Box，这样从训练开始，每个单元格的bounding box就有了各自预先的检测目标，例如瘦长的 bounging box 就适合找人，矮胖的 bounging box 就适合找车等。

4. 模型训练就是调整这些预定义的bounding box 的中心点位置与长宽比列。

Box 数据结构

在引入 Anchor box 后， YOLO V2 对于一个 bounging box 的数据结构为：

• 中心点坐标 $(x,y)$，相对于单元格宽度的比列值
• 相对于 Anchor box 宽高的偏移量 $(w,h)$
• 当前 bounging box 存在检测目标的置信度 $Confidence$
• 检测目标对应各个类型的概率 $p_i$

一个单元格能检测多少目标，就输出多少个上述 Box 数据结构。

Box 解析

假设一个 bounding box 的输出结果为

• bounding box 的中心点坐标

  $$ \begin{aligned} b_x = \sigma(t_x) + C_x \ b_y = \sigma(t_y) + C_y \ \end{aligned} $$

  $(C_x,C_y)$ 为单元格在输出网格中，左上角的坐标； $\sigma()$ 为 sigmod 函数，为了将中心点限制在当前单元格内 。

  

• bounding box 的宽度

  $$ \begin{aligned} b_w = P_w e^{t_w} \ b_h = P_h e^{t_h} \end{aligned} $$

  $( P_w,P_h )$ 为该 bounding box 对应的 Anchor box 的大小；$e^{()}$ 的目的和 YOLO V1 一样，只是将原来的 $\sqrt{()}$ 替换成了 $\ln()$。

• bounding box 的置信度 $$ Confidence = \sigma(t_o) $$

确定 Anchor

• K类聚：

  1. 利用 K-means 类聚算法将上述样本框划分为 k 类，距离计算公式为 $$ d_{center} = 1 - IOU(center,box) $$
  2. 选择每个类别的中心 bounding box 作为 Anchor box ，一共 k 个

• k 的确定： 作者对 VOC 与 COCO 数据集，进行测试后，选择了 $k = 5$

  

损失函数