论文阅读: YOLOv2

Introduction

本文获得了CVPR 2017 Best Paper Honorable Mention：

行文思路自成一体，按照 Better、Faster、Stronger 三个章节来分别介绍其贡献。

Better

概括来说就是一堆的小trick。

1. 引入Batch Normalization，涨点2。

2. 训练分类的阶段，每10个epoch就在$448\times 448$的高像素图片上fine-tune一下，使之能更好地适应高像素的输入图像。该操作对mAP涨点4。

3. 抛弃后段的FC层，改用anchor机制来预测bbox。该操作虽然使得mAP从69.5降至69.2，但是召回率从81暴涨至88。

4. Dimension Clusters (维度聚类) 。经过对VOC数据集和COCO数据集中bbox的k-means聚类分析，将anchor机制中原本惯用的 9 anchor 法则 删减为仅保留最常出现的 5 anchor 。其中，狭长型的anchor是被保留的主体：
   

   该Cluster IoU操作将anchor数量砍削了将近一半，但对object bbox的平均IoU值却只从61.0降至60.9：
   

5. 新的 encode/decode机制 —— Direct location prediction (直接位置预测) 。号称用新的位置预测算法来缩小参数范围，使之更容易学习，也使得网络更加稳定：
   
   然而现在看来并没有什么影响力，大家主流用的还是Faster R-CNN中设计好的那一套encode/decode机制。

6. 在 $26\times 26$ size层设置了通道层接至 $13\times 13$ size层。号称保留了更多的位置信息，从而提升细粒度分类的能力。本质上即为single-scale上处理two-scale的feature map信息。该操作涨点1。

7. Multi-Scale Training (多尺度训练) 。每10个batch就在 ${320, 352, ..., 608} (均为32整数倍)$ 中随机选择一个新的input size，该操作据说能锻炼对多尺度input的预测能力。个人感觉这就是集成学习。

Faster

YOLOV1中basemodel选择GoogleNet而非VGGNet，之后的SSD却采用了VGGNet，并大获成功。YOLOv2坐不住了，想要改basemodel。
但是和YOLOv1的原因一样，因为嫌弃VGGNet计算量太大（$224\times 224$的图像需要计算30.69 billion次浮点运算），于是自己整了个DarkNet-19出来：

该DarkNet-19仅需5.58 billion次浮点运算，却依然在ImageNet上保持高精度。

Stronger

softmax嵌套softmax，从而实现分级语法树：

带有分级语法树的YOLOv2，进化为了YOLO9000：

这是 第一个large-scale detector ，虽然细分类的精度并不高。

Innovation

自己发明的一系列骚操作（Dimension Clusters、Direct location prediction、Multi-Scale Training、DarkNet-19）再加上博采众长，共同构成了此篇神作。

Result

在mAP和inference speed上都号称取得了state-of-the-art (实际上差得很)：

效果图：

Thinking

• YOLOv2中提出了很多trick，贡献很饱满；

• YOLOv2的加强版——YOLO-9000应该是最早开始对 large-scale detection 领域进行拓荒的了。但是scale变large的代价是accuracy变差，所以YOLO-9000无法实际运用于生产中。其后的R-FCN-3000则在该领域继续开拓，并取得了较好的accuracy。

---

[1] YOLO9000: Better, Faster, Stronger
[2] 详解YOLO 2与YOLO 9000目标检测系统 | 分享总结
[3] YOLO升级版：YOLOv2和YOLO9000解析
[4] 解读Yolo2和Yolo9000目标检测系统
[5] Object Detection – 论文YOLO2(YOLO9000:Better, Faster, Stronger)解读