【论文阅读笔记】YOLO9000：Better，Faster，Stronger

论文链接：https://arxiv.org/abs/1612.08242
作者：Joseph Redmon, Ali Farhadi
发布时间：2016年12月25日发布

---

前言

  该文是YOLO系列第二篇，在模型结构上做的改变主要是添加了anchor boxes（就如同Faster RCNN中的anchor boxes一样，但选择方式不同，Faster RCNN是通过直接设定尺度及长宽比的形式，而YOLOv2通过k-means对边框进行聚类）；以及考虑了Fine-Grained Features问题，添加了一个passthrough，将不同resolution的特征结合在了一起；剩下的篇幅讲的是训练技巧、细节，从而得到更高的mAP（这也是YOLO的问题所在，YOLO达到了实时的要求，但mAP和最先进的检测系统，如Faster RCNN/SSD，相差较大。）

  该模型的输出的是一个tensor，为$\mathbb{S}*\mathbb{S}*(5*\mathbb{B}+5*\mathbb{C})$，其中$\mathbb{S}$为图片分为$\mathbb{S}*\mathbb{S}$个格子，一个格子里有$\mathbb{B}$个bounding-boxes，数据集有$\mathbb{C}$个类。（这里和YOLO不同的是，YOLOv2是一个边框预测一次对象的类别；而YOLO是一个网格只对一个对象负责，所以只预测一类别，其输出大小是$5*\mathbb{B}+\mathbb{C}$）

  YOLOv2和YOLO9000是两个不同的模型，一并提出，YOLOv2 + join training = YOLO9000。

  置信度是$Pr(Object)$，而分类概率的预测是$Pr(Class|Object)$.

  YOLOv2去掉了全连接层，使用的是全卷积网络，所以应对不同的输入分辨率（对应输出不同大小）。

---

概要

  YOLO9000的意思是该系统可以检测超过$9000$个类别。
  作者在YOLO基础上改进得到了YOLOv2。YOLOv2是通过多尺度训练方法（不同size的输入）得到的，其能简单地在速度和准度上形成折中（在VOC2007上，如果需要$67$FPS，其能达到$76.8$mAP；如果需要$40$FPS，其能达到$78.6$mAP。该模型的结果比目前最好的检测模型，Faster RCNN和SSD，精确度更高，检测速度更快）。

  最后，作者提出了一个目标检测和目标分类的联合训练方法。通过该方法，YOLO9000可以同时在COCO检测数据集和ImageNet分类数据集上训练。联合训练使得YOLO9000可以检测没有检测数据标签的对象类的检测。（就是说该对象在检测数据集上是没有的，即训练时是没有边框标签的，但拥有其分类标签。其原因可能在于，该模型是对于位置训练检测bounding-boxes的，不像Faster RCNN对于objectes训练检测bounding-boxes。当然，对于没有检测标签的类，其检测结果可能不太完美。YOLO9000在ImageNet的检测数据上(200类中的44类在COCO数据集上有检测数据)的mAP为$19.7$，在COCO数据集上没有检测数据的$156$个类的mAP为$16.0$。）

引言

  目标检测的一般目标为：快速，精确，大范围识别目标。
  现在目标检测的数据库相对于目标分类的数据库来说是相对较小的。所以作者提出了联合训练的方法，使用分类数据集来帮助训练检测模型。

---

改进

Better

  YOLO相对于Fast RCNN之类的最先进的目标检测算法而言，其检测精度不足。与此同时，YOLO算法不是基于region proposal的，其对比基于区域候选的算法而言，Recall也相对较低。因此作者本文着重解决精度和召回率问题。

   YOLOv2所做的尝试如上图所示，基本这些操作都大幅增加了算法的 mAP，其中较为特殊的是 anchor boxes和new network，前者在基本不改变 mAP的同时增加了Recall，后者减少了 $35\%$的计算（ 在$3*3$的卷积核之间添加$1*1$卷积核来降低特征维度）

Batch Normalization
  和我们所知的一样，使用了Batch Normalization，（可以）相当于使用了（$L_2$）正则化手段，同时可以丢弃YOLO训练时使用的dropout正则化手段（一般认为同时使用BN和dropout是冲突的，反而影响收敛效果）。作者在每个卷积层前都是用了BN，带来模型结果提升的mAP超过$2\%$。

High Resolution Classifier
  YOLO算法的预训练输入的size是$224*224$，然后在（分类到检测）微调时增长到$448*448$，这意味着模型需要同时适应学习不同的目标（从分类到检测）和适应新的输入分辨率。（预训练大多是在ImageNet的分类模型上完成的，YOLO是在AlexNet的基础上完成的，AlexNet的输入size是$256*256$，大多数基于AlexNet微调的分类器模型输入都是小于此的，所以作者在YOLO模型选择时使用输入为$224*224$）

  作者在模型预训练之后，将输入转为$448*448$，在ImageNet上训练$10$个周期，以期待网络模型能让它的卷积核更加适应新的输入分辨率。然后再微调网络用于检测。作者通过网络微调前训练$10$个周期的新输入分辨率于ImageNet，带来的模型结果提升接近$4\%$。

Convolutional With anchor boxes
  YOLO直接通过全连接层预测边框信息；而Faster RCNN通过手动设定bounding boxes，通过RPN的一个卷积层来预测anchor boxes的偏移和置信度；相对于直接预测边框坐标信息，预测偏移相对而言更简单些，也就是更容易让网络去学习。（因此YOLOv2采用了anchor boxes）

  我们可以看到，YOLO的模型结构的输出最后如下第一个图，但其输出实际上是如下第二个图（是一个向量，每一个网格需要的信息在里面意义对应）：

  作者通过去除全连接层，使用卷积层来使得结果如上图1的模型输出展示结果一样（每个网格可以在最后的output上找到对应的信息）。由于我们需要一个唯一的“中点”来表示一个网格中心，所以作者将原输入的size从$448$减小到了$416$（因为YOLO的stride积为$32$，每一个网格的大小是$(\frac{W}{32}，\frac{H}{32}$)，所以输入的size需要是$32$的倍数。$416*416$的输出是$13*13$）【为什么需要用奇数网格来显示网络的“中心”？因为作者觉得，大的对象的中心较为倾向于在图片的中间，因此使用一个中心来表示对象比四个中心来表示对象要更好。实际上，这是作者的设定问题，作者的设定是一个对象只用一个网格来负责。但从后面的多尺度训练的Input_size和YOLOv3的结构来看，其实这也不是作者一直奉承进行的。】

  使用了anchor boxes后，模型输出就是对每一个anchor boxes进行置信度预测（和ground truth的IoU）& 类别预测 & 回归预测。每个网格预测两个anchor boxes。（因为YOLO有强烈的空间限制，对于每一个网格，只预测一个类别，所以对重叠的对象群，比如一群鸟，预测不太好。这里作者改进为一个边框预测一个）

  从结果展示来看，YOLOv2使用了anchor boxes之后，mAP从$69.5$掉到了$69.2$，但Recall从$81\%$涨到了$88\%$。【这个mAP的下降不是基于相同数量的bounding box的。因为这里比较时，不适用anchor boxes直接预测时，作者说其预测了超过$1000$个边框，而不是YOLO论文中提到的98个。所以YOLOv2使用$98$个anchor boxes比较的是$1000$个不使用anchor boxes的直接边框预测。检测速度不知道比较如何，可能优化时先使用了预测1000个边框，也就是每个网格预测超过20个边框，后面再参考Faster RCNN使用anchor boxes】

Dimension Clusters
  在Faster RCNN中，anchor boxes是手动设计的。手动设计是设计者拥有前验知识判断的，所以作者想到使用k-means聚类算法来初始化anchor boxes（一般认为，如果训练得当的话，一个好的初始化能更快得收敛，得到更好的结果，也就是更易于学习）。

  决定使用k-means后，使用怎样的距离判断就成为该聚类算法的关键。和传统基于欧式距离判断的距离不同，在目标检测中边框的“贴近”程度是依据IoU判断的，所以作者设计了一种使用于目标检测的距离函数：

$$d(box,centroid)=1-<em>IoU</em>(box,centroid)$$   最后基于计算复杂度和准确度的考虑，选择 $k=5$。(适用平均 IoU来评估聚类结果的好坏)

Direct location prediction
  从anchor boxes到最后的bounding boxes，其边框预测的方式和Faster RCNN差不多，只是将最后中心点$(x,y)$偏移的幅度限制了，避免出现一个边框范围的偏移（其实如果出现这么大的偏移，那么为该对象负责的格子一般也就是另一个，也就是说这个范围的偏移其实是不必要的“振荡”。因此，这个限制，作者认为是让模型从“不稳定”到稳定了）。对于每一个bounding boxes，模型预测$5$个值$(t_x，t_y，t_w，t_h，t_o)$，其中$t_o$是置信度。作者通过k-means聚类边框，和直接预测bounding boxes中心位置，带来的模型结果提升接近$5\%$。

Fine-Grained Features
  作者想着，Faster RCNN和SSD都通过不同size的输入来得到不同精度的feature mAPs，而YOLO是采用resize处理不同输入，从而大对象和小对象都对应同一个精度，没得到区别对待。所以，作者想到了添加一个passthrough layer（就像ResNet一样，但区别在于YOLO是将$26*26*512$添加到$13*13*2048$上，而ResNet是处理相同size的连接），使得feature mAPs同时拥有不同精度的特征，其目的是为了更好地检测小目标。
  至于如何具体实现passthrough layer，作者是通过将$26*26*512$隔行隔列采样，得到4个新的feature mAPs$13*13*512$，再concat起来，得到$13*13*2048$的feature mAPs，再与后面的层加起来，相当于作特征融合。细粒度特征融合，带来的模型结果提升接近$5\%$。

Multi-Scale Training
  由于YOLOv2的模型没有全连接层，所以其可以采用任意size的输入（相应得到不同的输出，但卷积核用的是相同的）。
  作者在训练时，想通过该特点来使得网络能处理不同分辨率的输入图片，所以作者在训练时每隔$10$个epochs，就随机选取一个resize的输入：$32的倍数：\{320，352，...，608\}$（模型的下采样参数为32）。通过该方法，模型处理不同size的输入可以得到不同FPS的结果与其对应的分辨率。（让小图片可以训练的更快，也不用失真的放大太多，从而影响检测结果）

Faster

Darknet-19
  YOLOv2的网络和YOLO差不多（因为YOLO网络的Top-5分类准确率比VGG要稍微低一点，而VGG是当时大多数目标检测所用的网络），都在$3*3$卷积核的中间穿插使用$1*1$卷积核，从而大量减少计算量。YOLOv2网络模型的名字叫做Darknet-19，其拥有$19$个卷积层和$5$个最大池化层。

Training for classification
  和YOLO一样，在标准的1000分类的ImageNet数据集上训练$160$个周期，其使用的工具为：$lr=0.1$，多项式衰减（$pow=4$）（学习衰减率的一种方式，有指数衰减，步长衰减，多项式衰减等），$0.9$的动量，权重衰减率为$0.0005$。在训练的同时使用数据增强手段，包括random crops，rotations，hue，saturation，exposure shifts。
  前面说了，这个论文提出，模型不应该微调的时候同时适应新的分辨率和新的目标任务（分类和检测），所以在原预训练之后，会增加10个周期的新输入分辨率。其训练使用的工具有：$lr=0.001$。

Training for detection
  YOLOv2检测模型就不是Darknet-19（最后一层是$(1*1，output\_channel=1000$)卷积核的池化层，此时输出为$7*7*1000$;后面再接一个平均池化层，此时输出为$1*1*1000$）了，训练检测时，将最后一个卷积层用三个$（3*3，output\_channel=1024）$的卷积核替代，每个$3*3$的卷积层中穿插着一个$1*1$，输出通道为检测目标通道（在VOC数据集中，每个格子预测5个bounding boxes，那么其输出channel为$5*5+5*20=125$）。

  训练工具：一共训练$160$个周期，模型初始学习率为$0.001$，学习率在第$60$和$90$个周期都除以了$10$。

  作者在训练检测时，也使用了passthrough layers。但是这里没理解怎么弄的，所以po出原文，等领悟了再看看吧。。。。We also add a passthrough layer from the final $3*3*512$ layer to the second to last convolutional layer so that our model can use fine grain features.（吴恩达老师的网络课程《deeplearning.ai》中的目标检测模型讲的就是YOLO，依据其中运用了anchor boxes来看，老师是看了YOLO9000这论文的。但老师说他和他研究这方向的朋友也没完全看懂。。。所以这里就放着吧）

Stronger
  识别的mAP其实不是很高，$19.7\%和16.0\%$，所以就展示不弄了。