YOLO V2 ：Better、Faster、Stronger

Better

• Batch Normalization(BN 层)

  ​ Yolo v2 中在每个卷积层后都加了BN层，去掉了dropout层。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。通过BN层，yolov2的mAP提高了2%。

• High Resolution Classifier(高分辨率分类器)

  ​ YOLO v2将输入图片的分辨率提升448 × 448，为了使网络适应新的分辨率，YOLO v2先在ImageNet上以448 × 448 的分辨率对网络进行10个epoch的微调，让网络适应高分辨率的输入。通过使用高分辨率的输入，YOLO v2的mAP提升了约4%。

• Anchor

  Dimension Cluster(Anchor Box的宽高由聚类产生)

  Direct location prediction(绝对位置预测)

  ​ 在yolo v2中，将图片分成了13*13个grid cell，每个grid cell预测5种anchor，每一种anchor对应了一个预测框，每一个预测框只需要输出它相对于其他anchor的偏移量。

  

  

  其中，这5个anchor由聚类产生。

  约束预测边框的位置： YOLOv2 对边界框的位置预测进行约束，将预测边框的中心约束在特定gird网格内，使模型更容易稳定训练，这种方式使得模型的mAP值提升了约 5%。

  

• Fine-Grained Features(细粒度特征)

  目标检测面临的一个问题是图像中对象会有大有小，输入图像经过多层网络提取特征，最后输出的特征图中（比如YOLO2中输入416×416经过卷积网络下采样最后输出是13*13），较小的对象可能特征已经不明显甚至被忽略掉了。为了更好的检测出一些比较小的对象，最后输出的特征图需要保留一些更细节的信息。

  YOLOv2引入一种称为passthrough层的方法在特征图中保留一些细节信息。具体来说，就是在最后一个pooling之前，特征图的大小是26×26×512，将特征图尺寸1拆4(2626拆分成4个1313)，直接传递(passthrough)到pooling+conv后的特征图，然后两者叠加到一起作为输出的特征图。使用 Fine-Grained Features，YOLOv2 的性能提升了 1%.

  

  

• Multi-Scale Training(多尺度训练)

  

Faster

​ Darknet19包含两个网络结构：分别是用于分类和用于目标检测的网络结构。

​ 用于分类的网络结构如下：

目标检测网络如下：

Darknet19的网络结构：和VGG模型相似，在Darknet19网络中作者使用的大多数是3×3的卷积核，并且在每一次采样操作后，通道个数翻倍；受Network in Network的启发，作者使用global average pooling（全局平均池化）进行预测，并且在3×3卷积之间使用1×1卷积进行特征降维。

Stronger

​ 作者提出了分类、检测训练集联合训练的方案。

​ 联合分类与检测数据集，这里不同于将网络的backbone在ImageNet上进行预训练，预训练只能提高卷积核的鲁棒性，而分类检测数据集联合，可以扩充识别物体种类。例如，在检测物体数据集中，有类别人，当网络有了一定的找出人的位置的能力后，可以通过分类数据集，添加细分类别：男人、女人、小孩、成人、运动员等等。这里会遇到一个问题，类别之间并不一定是互斥关系，可能是包含（例如人与男人）、相交（运动员与男人），那么在网络中，该怎么对类别进行预测和训练呢？

​ 在文中，作者使用WordTree，解决了ImageNet与coco之间的类别问题。

​

损失函数

yolo v2 的输出图示