本文主要是介绍YOLOv2解析 | 批归一化 锚 主干网，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
文章目录
- 1 改进
- 1.1 Batch Normalization 批归一化
- 1.2 High Resolution Classifier 更高分辨率的分类器
- 1.3 **Convolutional With Anchor Boxes 带锚盒的卷积**
- 1.4 Dimension Clusters 维度集群
- 1.5 更深更宽的主干网络
- 1.6 Fine-Grained Features** **细粒度特征 **
- 1.,7 Multi-Scale Training 多尺度训练
YOLOv2的改进
1 改进
1.1 Batch Normalization 批归一化
批归一化技术很常见
Batch Normalization可以提升模型收敛速度，而且可以起到一定正则化效果，降低模型的过拟合。在YOLOv2中，每个卷积层后面都添加了Batch Normalization层，并且不再使用droput。使用Batch Normalization后，YOLOv2的mAP提升了2.4%。
1.2 High Resolution Classifier 更高分辨率的分类器
更高分辨率的分类器实现更平稳的过渡
目前大部分的检测模型都会在先在ImageNet分类数据集上预训练模型的主体部分（CNN特征提取器），由于历史原因，ImageNet分类模型基本采用大小为 224×224 的图片作为输入，分辨率相对较低，不利于检测模型。
YOLOv1的方式是在采用 224×224 分类模型预训练后，将分辨率增加至 448×448 ，并使用这个高分辨率在检测数据集上finetune。但是直接切换分辨率，检测模型可能难以快速适应高分辨率
所以YOLOv2增加了在ImageNet数据集上使用 448×448 输入来finetune分类网络这一中间过程（10 epochs），这可以使得模型在检测数据集上finetune之前已经适用高分辨率输入，然后再切换到使用高分辨率分类器后，YOLOv2的mAP提升了约4%。
1.3 Convolutional With Anchor Boxes 带锚盒的卷积
在YOLOv1中，输入图片最终被划分为 7×7 网格，每个单元格预测2个边界框。YOLOv1最后采用的是全连接层直接对边界框进行预测，其中边界框的宽与高是相对整张图片大小的，而由于各个图片中存在不同尺度和长宽比（scales and ratios）的物体，YOLOv1在训练过程中学习适应不同物体的形状是比较困难的，这也导致YOLOv1在精确定位方面表现较差。
所以YOLOv2改为预测先验框坐标的偏移量，而不是坐标，在每个grid预先设定一组不同大小和宽高比的边框，来覆盖整个图像的不同位置和多种尺度
之前YOLOv1并没有采用先验框，并且每个grid只预测两个bounding box，也就是整个图像只有98个bounding box。YOLOv2如果每个grid采用9个先验框，总共有13139=1521个先验框。所以最终YOLOv2去掉了全连接层，使用锚框来预测 Bounding Boxes。
通过这个锚框，降低了准确性mAP，但是提高了召回率
1.4 Dimension Clusters 维度集群
之前Anchor Box的尺寸是手动选择的，所以尺寸还有优化的余地。YOLOv2尝试统计出更符合样本中对象尺寸的先验框，这样就可以减少网络微调先验框到实际位置的难度。YOLOv2的做法是对训练集中标注的边框进行K-means聚类分析，以寻找尽可能匹配样本的边框尺寸。
1.5 更深更宽的主干网络
YOLOv1的backbone使用的是GoogleLeNet，速度比VGG-16快，YOLOv1完成一次前向过程只用8.52 billion 运算，而VGG-16要30.69billion，但是YOLOv1精度稍低于VGG-16。
YOLOv2基于一个新的分类model，有点类似与VGG。YOLOv2使用3*3filter，每次Pooling之后都增加一倍Channels的数量。YOLOv2使用Global Average Pooling，使用Batch Normilazation来让训练更稳定，加速收敛，使model规范化。最终的model–Darknet19，有19个卷积层和5个maxpooling层，处理一张图片只需要5.58 billion次运算，在ImageNet上达到72.9%top-1精确度，91.2%top-5精确度。
1.6 Fine-Grained Features** **细粒度特征 **
目标检测输入的物体可能有大有小，所以如果只用一种大小的特征可能会导致细粒度特征丢失，因而YOLOv2提出了一种passthrough层来利用更精细的特征图。
具体来说，就是在最后一个pooling之前，特征图的大小是26×26×512
一条路是将其1拆4得到四个特征图
另一条路直接传递（passthrough）到pooling后（并且又经过一组卷积）的特征图
两者叠加到一起作为输出的特征图。
1.,7 Multi-Scale Training 多尺度训练
由于YOLOv2模型中只有卷积层和池化层，所以YOLOv2的输入可以不限于 416×416 大小的图片。为了增强模型的鲁棒性，YOLOv2采用了多尺度输入训练策略，具体来说就是在训练过程中每间隔一定的iterations之后改变模型的输入图片大小
由于YOLOv2的下采样总步长为32，输入图片大小选择一系列为32倍数的值： {320,352,…,608} ，输入图片最小为 320×320 ，此时对应的特征图大小为 10×10 ，而输入图片最大为 608×608 ，对应的特征图大小为 19×19 。在训练过程，每隔10个iterations随机选择一种输入图片大小，然后只需要修改对最后检测层的处理就可以重新训练。
这篇关于YOLOv2解析 | 批归一化 锚 主干网的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
