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

（一）论文地址：

https://arxiv.org/abs/1612.08242

（二）核心思想：

作者在 YOLO 的基础上，使用了批量标准化（Batch Normalization）、高分辨率分类器（High Resolution Classifier）和预选框（Anchor Boxes）等方法，提出了一个更为高效的 YOLO v2；

并在此基础上，使用联合训练（Joint Training）算法，能够在有大量分类的图像识别数据集训练目标检测任务，由此训练出的 YOLO 9000 能够识别 9000 个物体；

（三）YOLO 的不足：

1. 采用了直接回归坐标的方式，对于精准预测不够准确；
2. 具有较低的召回率（recall）；

（四）Batch Normalization：

Batch Normalization（批量标准化）是 Google 团队在 Inception V2 中提出的方法，核心是使用一个线性变换，将批量数据规范到均值为 0、方差为 1 的正态分布上，从而解决了随着网络层数不断加深，造成的梯度消失的问题，并且还具有正则化的效果；

作者因此在 YOLO 中大量使用了 Batch Normalization，使得原来的 mAP 上升了 2%，并且无需再使用 Dropout；

（五）High Resolution Classifier：

以前的目标检测网络通常都是，将 Backbone 在 ImageNet 上通过分辨率小于 $256×256$ 的分类图片进行预训练，这就意味着 Backbone 在参与目标检测任务的训练时，需要向检测任务和高分辨率图片做转换；

作者提出使用相同分辨率的图像（ $448×448$）预训练 Backbone，并只在 ImageNet 上训练 10 个 Epoch，由此使得 mAP 上升了 4%；

（六）Convolutional With Anchor Boxes：

为了解决预测框不准确的问题，作者不再使用 YOLO 采用全连接层直接预测预测框坐标的方法，而是采用了跟 Faster-RCNN 相似的预选框的方法；

作者移除了 YOLO 中的全连接层和一个 max pooling 层，来最终得到一个较大的卷积层；

并且为了使图像最后的预测具有单中心网格，作者使用了 $416×416$ 大小作为输入，下采样参数为 $32$（即 $2^5$），最后得到了一个 $13×13$ 大小的特征层；

在使用 Anchor Boxes 之后，虽然 mAP 下降了 0.3%，但是召回率从 81% 上升到了 88%，因此 YOLO v2 还有很大的改进空间；

（七）Dimension Clusters

由于 Faster-RCNN 和 SSD 的先验框大小都是手动设定的，可能并不能很好地表征目标，因此作者在这里采用了 K-means 聚类算法选取合适的先验框数；

距离指标为：

综合考虑模型复杂度和召回率，最终选定 $k=5$；

对于最后的特征层（大小为 $13×13$），每个网格预测 5 个坐标信息 $\lbrace t_x,t_y,t_w,t_h,t_o\rbrace$，则有：
其中 $b_x,b_y,b_w,b_h$ 就是最后的预测框坐标， $c_x,c_y,p_w,p_h$ 是 Anchor Box 的坐标；

并且使用 $\sigma(t_o)$ 作为置信度；

（八）Fine-Grained Features：

作者为了融合 low-level 的特征设计了 passthrough 层，即取出了最后一个池化层的特整层（大小为 $26×26×512$），将每个 $2×2$ 局部空间区域转换成 channel 特征，就得到了一个 $13×13×4048$ 的用于预测的特征层；

（九）Multi-Scale Training：

由于 YOLO v2 只使用了卷积层和池化层，因此可以接收不同大小的图像输入参与训练，从而使得 YOLO v2 对不同大小的图像都具有鲁棒性；

作者在训练时采用了 32 倍数的输入大小为，分别为： $320, 352, ..., 608$，每 10 个 epoch 重新随机选取一个输入大小；

（十）Darknet-19：

作者还为 YOLO v2 设计了一个 Backbone，大致与 VGG 相同，但大量使用了 1×1 卷积降维，并在最后使用了一个 Global Pooling：

（十一）Joint Training：

这里既使用了目标检测的数据集，也使用了图像识别的数据集，其中用于图像识别的数据，在反向传播时只是用了分类 Loss，并使用了层级分类标签：

（十二）实验结果：