本次介绍一篇有关快速目标检测的文章《YOLO9000: Better, Faster, Stronger》。该方法记作YOLOv2，相比v1除了在性能上有所提升之外，更是在速度上表现惊人。
项目主页：http://pjreddie.com/darknet/yolo/
———————— Introduction ————————
通用的目标检测不但要够快够准，还要能够检测多类的目标。但实际情况是，目标检测数据集包含的类别数都太少，远远小于图像分类数据集所包含的类别数(比如ImageNet)。
于是，本文提出了一种联合训练的方法，可以同时利用检测数据集和分类数据集来训练目标检测器。具体思路是，利用目标检测数据集来学习目标的准确定位，用分类数据集来增加检测的目标类别数以及检测器的鲁棒性。
通过采用上述策略，本文利用COCO目标检测数据集和ImageNet图像分类数据集训练得到了YOLO9000，可以实时地检测超过9000类的目标。
———————— Better ————————
YOLOv1同Fast RCNN相比存在定位不准以及召回率不如Region Proposal方法等问题。因此，V2的主要目标就是在保持分类准确率的同时提高召回率和定位准确度。
为了做到又快又好，所以文章在简化的网络上采用了很多策略来提高性能，具体用的技术如下表：
(1) Batch Normalization
BN可以加速收敛，同时BN也可以替代Dropout等正则化手段来防止网络过拟合。
(2) High Resolution Classifier
YOLOv1是在ImageNet预训练了一个输入为224x224大小的模型，当想要检测小目标时需要把图像resize到448x448,同时网络也要相应地进行调整。
为了适应较大的分辨率，YOLOv2以448x448的分辨率在ImageNet上预训练了10个epoch，然后将该预训练模型在检测数据上finetune，最终得到了 4% mAP的提升。
(3) Convolutional With Anchor Boxes
YOLOv1直接通过全连接层来预测bounding box的坐标，与Fast-RCNN相比有两个缺点：
一是只能预测98个框，数量太少，而Fast-RCNN在conv-map上每一个位置都可以预测9个框；二是预测坐标不如预测坐标相对偏移量有效，Fast-RCNN预测的是偏移量和置信度。
因此，YOLOv2移除了全连接层，并将网络输入由448调整为416，使得最后输出的feature map大小为13x13（416/32）。之所以要调整输入为416，是为了使得最后的输出size是一个奇数，这样就可以保证feature map只有一个中心。由于目标（特别是大目标）往往位于图像中心，因此一个正中心来预测位置要比4个要好。
通过在卷积层使用anchor boxes，网络可以预测超过1000个窗口，虽然这导致了准确率降低了0.3mAP，但是召回率却足足提高了7%。
(4) Dimension Clusters
Fast-RCNN中使用3种scales和3中aspect ratios（1:1,1:2,2:1）在每个位置产生了9个anchor boxes。作者认为这种手动选取的anchor不够好，虽然网络最终可以学出来，但如果我们可以给出更好的anchor，那么网络肯定更加容易训练而且效果更好。
作者通过K-Means聚类的方式在训练集中聚出好的anchor模板。需要注意的是，在使用K-Means中如果使用传统的欧式距离度量，那么大的框肯定会产生更大的误差，因此作者更换为基于IOU的度量方式：
。
下表表明，基于K-Means的anchor box选取比手动选取效果好：
通过权衡速度与性能，作者最终选则聚5类时得到的anchor boxes。
(5) Direct Location Prediction
作者在训练中发现模型不稳定，特别是训练早期。这主要是由anchor box回归引起的，因为预测的是偏移量，这可能导致前期预测得到的框偏移到图像任何位置。
因此，作者采用了一种较强约束的定位方法，参见下图：
如上图，每个cell会预测5个bounding box，每个bounding box预测 这5个参数。其中 经过sigmoid约束到 ,因此预测出来的bounding box的中心点 一定位于以 为左顶点的cell内。(其中， 为anchor box的宽高)
(6) Fine-Grained Features
Faster F-CNN、SSD通过使用不同尺寸的feature map来取得不同范围的分辨率, YOLOv2则通过添加一个passthrough layer来取得上一层26x26的特征，并将该特征同最后输出特征相结合，以此来提高对小目标的检测能力。具体的做法是将相邻的特征堆积到不同channel中，从而将 的feature map变为 的feature map。
(7) Multi-Scale Training
由于网络只有卷积和pooling层，因此实际上可以接受任意尺寸的输入，作者也希望YOLOv2对各种尺度的图片都足够鲁棒。
因此，训练过程中每迭代10个batch，都会随机的调整一下输入尺度，具体尺度列表为 。
当输入图片尺寸比较小的时候检测速度比较快，当输入图片尺寸比较大的时候则精度较高，所以YOLOv2可以在速度和精度上进行权衡。
———————— Faster ————————
(1) DarkNet-19
为了提高性能同时加快速度，作者设计了一个带有19个卷积核5个max-pooling的网络，命名为Darknet-19。设计该网络时主要参考了VGG使用大量3x3卷积，参考NIN使用1x1卷积和avg-pooling，使用BN等。具体网络如下图：
(2) Training for classification
先在Imagenet（1000分类）上以224x224输入训练160 epochs，然后再更改输入为448x448继续finetune 10 epochs。（训练的具体设置参见原文）
(3) Training for detection
修改(2)预训练的网络的最后几层，然后在检测数据集上finetune。(具体怎么修改还是要参看原文和相关代码)。 以VOC的20类目标检测为例，最后的输出应该是 , 是feature map尺寸; 表示每个位置预测5个框，每个框有20个分类概率和5个boundingbox参数。
———————— Stronger ————————
前面提到过，作者同时使用检测数据集和分类数据集来训练多目标检测器。具体做法是，将两个数据集混合，训练时如果遇到来自检测集的图片则计算完整的Loss，如果遇到来自分类集的图片则只计算分类的Loss。
上面的想法实现起来会有一点问题，因为通常使用的softmax假定类间独立，而Imagenet(分类集)包含了100多种狗，COCO(检测集)就只有狗这一类。为了解决这个无法融合的问题，作者使用了multi-label模型，即假定一张图片可以有多个label，并且不要求label间独立。
(1) Hierarchical Classification
Imagenet中的类别是从WordNet(描述对象关系的一个语言集合)中选取的。WordNet是一种比较庞大的直线图结构，作者使用分层树的结构来对其进行简化。
具体地，遍历Imagenet的label，然后在WordNet中寻找该label到根节点(指向一个物理对象)的路径，如果路径只有一条，那么就将该路径直接加入到分层树结构中。然后处理剩余的具有多条路径的label，并将最短路径加入。
最终可以得到下图所示的分类树：
至于分类时的概率计算，大家应该可以很容易看出需要采用条件概率，即某个节点的概率值应当等于该节点到根节点的所有条件概率之积。而且，softmax操作也同时应该采用分组操作，如下图：
(2) Dataset Combination With WordTree
通过WordTree可以将不同的数据集合并使用。
(3) Joint Classification and Detection
最终制作了一个9418分类的WordTree，并且通过重采样保证Imagenet和COCO的数据比例为4:1。
对于检测数据集中的图片计算完整的Loss并反方向传播，对于分类数据集图片，则只计算分类的loss，同时假设IOU最少为 .3，最后根据这些假设进行反向传播。
———————— Conclusion ————————
没什么好总结的，最后放一张速度对比图吧。
from:https://blog.csdn.net/shuzfan/article/details/54018736
