目标检测之YOLO V2 V3

YOLO V2

YOLO V2是在YOLO的基础上，融合了其他一些网络结构的特性（比如：Faster R-CNN的Anchor,GooLeNet的$1\times1$卷积核等），进行的升级。其目的是弥补YOLO的两个缺陷：

YOLO中的大量的定位错误
和基于区域推荐的目标检测算法相比，YOLO的召回率（Recall）较低。

YOLO V2的目标是：在保持YOLO分类精度的同时，提高目标定位的精度以及召回率。其论文地址：
YOLO 9000:Better，Faster，Stronger。

YOLO论文的名称总是如此的直抒胸臆，

Better 指的是和YOLO相比，YOLO V2有更好的精度
Faster 指的是修改了网络结构，其检测更快
Stronger 指的就是YOLO 9000,使用联合训练的方法，同时使用目标检测和图像分类的数据集，训练YOLO V2，训练出来的模型能够实时的识别多达9000种目标，所以也称为YOLO9000。

Better

这部分主要是改进YOLO的两个缺点：

定位不精确
召回率较低（和基于候选区域的方法相比）

YOLO V2种并没有加深或者加宽网络结构，反而简化了网络（faster）。

Batch Normalization
这个是CNN网络通用的方法了，不但能够改善网络的收敛性，而且能够抑制过拟合，有正则化的作用。
High Resolution Classifier
相比图像的分类任务，目标检测需要更高的图像分辨率。而为了提取图像的特征，目标检测网络的提取特征部分，通常要在ImageNet数据集上进行预训练。从AlexNet结构开始，大多数分类的网络的输入图像都小于$256 \times 256$，在YOLO中，使用$224 \times 224$的图像进行预训练，但是在目标检测的网络中使用$448 \times 448$的图像进行训练。这样就意味着，从用于分类的特征提取模型切换到目标检测网络，还需要适应这种图像分辨率的改变。
在YOLO V2中对此进行了改变了，使用ImageNet数据集，首先使用$224 \times 224$的分辨率训练160个epochs，然后调整为$448 \times 448$在训练10个epochs。

Convolutional With Anchor Boxes

在YOLO中在最后网络的全连接层直接预测目标边框的坐标，在YOLO V2中借鉴 Fast R-CNN中的Anchor的思想。

去掉了YOLO网络的全连接层和最后的池化层，使提取特征的网络能够得到更高分辨率的特征。
使用$416 \times 416$代替$448 \times 448$作为网络的输入。这是因为希望得到的特征图的尺寸为奇数。奇数大小的宽和高会使得每个特征图在划分cell的时候就只有一个center cell（比如可以划分成77或99个cell，center cell只有一个，如果划分成88或1010的，center cell就有4个）。为什么希望只有一个center cell呢？因为大的object一般会占据图像的中心，所以希望用一个center cell去预测，而不是4个center cell去预测。网络最终将416416的输入变成1313大小的feature map输出，也就是缩小比例为32。（5个池化层，每个池化层将输入的尺寸缩小1/2）。
Anchor Boxes 在YOLO中，每个grid cell只预测两个bbox，最终只能预测98个bbox（$7\times 7\times 2=98$），而在Faster RCNN在输入大小为$1000\times 600$时的boxes数量大概是6000，在SSD300中boxes数量是8732。显然增加box数量是为了提高object的定位准确率。过少的bbox显然影响了YOLO的定位的精度，在YOLO V2中引入了Anchor Boxes的思想，其预测的bbox则会超过千个（以输出的feature map为$13 \times 13$为例，每个grid cell有9个anchor box的话，其预测的bbox数量为$13 \times 13 \times 9 = 1521$个）。

Dimension Clusters

YOLO V2中引入了Faster R-CNN思想，但是让大佬单纯的使用别人的想法而不加以改进是不可能的。在Faster R-CNN中每个Anchor box的大小以及形状是预先设定好的，然后在网络种通过边框回归来调整每个Anchor Box的边框。但是，如果开始就选择好的边框（Faster R-CNN中的边框是手工设计的，3种大小，3种形状共9种），那么网络肯定能更好的预测。
YOLO 作者使用据类的思想，对训练集能够生成的所有Anchor box做聚类，以此来找到合适的预设的Anchor box.另外作者发现如果采用标准的k-means（即用欧式距离来衡量差异），在box的尺寸比较大的时候其误差也更大，而我们希望的是误差和box的尺寸没有太大关系。所以通过IOU定义了如下的距离函数，使得误差和box的大小无关,故使用如下的距离度量
\[ d ( \text { box, centroid } ) = 1 - \text { IOU } ( \text { box, centroid } ) \]
也就是针对同一个grid cell，其将IOU相近的聚到一起，如下图

左边表示选择不同聚类中心的$K$和平均IOU的关系，不同曲线表示两种数据集：2007 VOC 和COCO。 YOLO V2选择了$K=2$，在模型的复杂度和召回率之间做个平衡。右边5种紫框和黑色的边框表示两种数据集下，最终聚类选择的5中bbox的形状和大小，从图看出两种数据集的形状类似大小相近。图中也可以看出，一个的大的bbox差不多是正方形，另外3个是高瘦的形状，最后一个则是矮胖的形状，这和Faster R-CNN手动选择的9种形状还是有所不同的。

Direct location prediction

解决了每个Grid Cell生成的bounding box的个数问题，直接按照Faster R-CNN的方法，又遇到了第二个问题：模型不稳定，特别是在早期的迭代中，而这种不稳定是由于预测box的位置$(x,y)$引起的。在区域推荐的方法中，其网络学习的结果$(tx,ty)$bbox的中心位置相对于ground truth的中尉$(x,y)$的平移量，如候选区域的bbox的中心为$(x_p,y_p)$，宽和高为$(w_p,h_p)$，则有如下的等式
\[ x = x_p + w_p * tx \\ y = y_p + h_p * ty \]
这种位置的平移是没有任何限制的,例如，$t_x = 1$,则将bbox在$x$轴向右移动$w_p$；$t_x = -1$则将其向左移动$w_p$。也是说，不管初始的bbox在图像的什么位置，通过预测偏移量可以将bbox移动到图像的任何位置。对于YOLO V2这种随机初始化bbox的位置，需要训练很久的一段时间才能学习到平移量的合适的值。

基于候选区域的R-CNN 其初始的bbox并不是随机的，而是通过RPN网络生成的。

YOLO V2中没有使用候选区域的直接预测偏移量，而是沿用YOLO的方法，预测位置相对于当前grid cell的偏移量。YOLO V2网络最后输出的特征层为$13 \times 13$，然后每个cell生成5个bbox，针对每个bbox得到5个值$(t_x,t_y,t_w,t_h,t_o)$，$(t_x,t_y)$表示bbox中心相对于grid cell左上角的偏移，并且将其平移量限制在一个grid cell内，使用$sigmoid$函数处理处理偏移值，将其限制在$(0,1)$范围内（每个grid cell的尺度看做1）。所以得到下面的公式
\[ \begin{aligned} b _ { x } & = \sigma \left( t _ { x } \right) + c _ { x } \\ b _ { y } & = \sigma \left( t _ { y } \right) + c _ { y } \\ b _ { w } & = p _ { w } e ^ { t _ { w } } \\ b _ { h } & = p _ { h } e ^ { t _ { h } } \end{aligned} \]
其中，$(C_x,C_y)$为当前grid cell相对于图像的左上角的距离，以grid cell的个数为单位。$p_w,p_h$为为先验框的宽和高。

如下图，

$(C_x,C_y)$为当前grid cell相对于图像的左上角的距离，以grid cell为单位，则当前cell的左上角坐标为$(1,1)$;$p_w,p_h$为为先验框的宽和高,其值也是相对于特征图的大小，在特征都中每个cell的大小为1。这里记特征图的大小为$(W,H)$（YOLO V2为$(13,13)$），这样就可以将边框相对于图像的大小和位置计算出来
\[ \begin{aligned} b _ { x } & = (\sigma \left( t _ { x } \right) + c _ { x })/W \\ b _ { y } & = (\sigma \left( t _ { y } \right) + c _ { y })/H \\ b _ { w } & = p _ { w } e ^ { t _ { w } } / W\\ b _ { h } & = p _ { h } e ^ { t _ { h } }/H \end{aligned} \]
在将上面得到的$b_x,b_y,b_w,b_H$乘以图像的宽和高（像素为单位）就可以求得边框在图像的位置。

例如，假如预测输出的值$(t_x,t_y,t_w,t_h) = (0.2,0.1,0.2,0.32)$；当前cell的相对于特征图左上角的坐标为$(1,1)$，Anchor box预设的宽和高为$p_w = 3.19275,p_h = 4.00944$，则有
\[ \begin{align*} b_x &= 0.2 + 1 = 1.2 \\ b_y &= 0.1 + 1 = 1.1 \\ b_w &= 3.19275 * e ^ {0.2} = 3.89963 \\ b_h &= 4.00944 * e ^ {0.32} = 5.52151 \end{align*} \]

上面的计算的距离都是相对于$13 \times 13$的特征图而言的，其单位为grid cell的边长。 YOLO V2输入的图像尺寸为$416 \times 416$，则每个grid cell的边长为$416 / 13 = 32$，将上述位置换算到以像素为单位
\[ \begin{align*} b_x &= 1.2 * 32 = 38.4 \\ b_y &= 1.1 * 32 = 35.2 \\ b_w &= 3.89963 * 32 = 124.78 \\ b_h &= 5.52151 * 32 = 176.68 \end{align*} \]
这样就得到了一个在原图上以$(38.4,35.2)$为中心，宽高为$(124.78,176.68)$的边框。

Fine-Grained Features

YOLO V2是在$13 \times 13$的特征图上做检测，这对于一些大的目标是足够了，但是对于小目标则需要更写细粒度的特征。 Faser R-CNN和SSD都在不同层次的特征图上产生区域建议（SSD直接就可看得出来这一点），获得了多尺度的适应性，YOLO V2则使用了一种不同的方法，添加要给转移层(passthrough layer)，该层将浅层的特征图($26 \times 26$)连接到最终使用的深层特征度(#13 \times 13$)。

这个转移层有点类似ResNet的dentity mappings结构，将浅层和深层两种不同尺寸的特征连接起来，将$26 \times 26 \times 512$的特征图和$13 \times 13 \times 1024$的特征图连接起来。passthrough layer，具体来说就是特征重排（不涉及到参数学习），$26 \times 26 \times 512$的特征使用按行和按列隔行采样的方法，就可以得到4个新的特征图，维度都是$13 \times 13 \times 512$的特征，然后做concat操作，得到$13 \times 13 \times 2048$的特征图，将其拼接到后面$13 \times 13 \times1024$得到$13 \times 13 \times 3072$的特征图，相当于做了一次特征融合，有利于检测小目标。下图是passthrough layer的一个实例

Multi-Scale Training

YOLO中使用$448\times448$作为输入，而且由于使用了全连接层，无法改变输入的图像的大小；在 YOLO V2中将全连接层替换为了卷积层，也就是说只有卷积层和池化层，这样就可以处理任意尺寸的图像。为了应对不同尺寸的图像，YOLO V2中在训练的时候使用不同的尺寸图像。

YOLO V2在训练的时候每经过几轮（每经过10epochs）迭代后就会微调网络，随机选择新的图片尺寸。YOLO网络使用的降采样参数为32，那么就使用32的倍数进行尺度$\{320,352,\cdots，608\}$。最终最小的尺寸为$320 \times 320$，最大的尺寸为$608 \times 608$。

Summary

YOLO V2针对YOLO定位不准确以及召回率低的问题，进行一些改变。主要是借鉴Faster R-CNN的思想，引入了Anchor box。并且使用k-means的方法，通过聚类得到每个Anchor应该生成的Anchor box的的大小和形状。为了是提取到的特征有更细的粒度，其网络中借鉴ResNet的思想，将浅层的高分辨率特征和深层的特征进行了融合，这样能够更好的检测小的目标。最后，由于YOLO V2的网络是全卷积网络，能够处理任意尺寸的图像，在训练的时候使用不同尺度的图像，以应对图像尺寸的变换。

Faster

大多数检测网络有赖于VGG-16作为特征提取部分，VGG-16的确是一个强大而准确的分类网络，相应的其计算量也是巨大的。 YOLO V2中使用基于GoogLeNet的网络结构Darknet-19，在损失一些精度的情况下，大大的提高运算速度。

Darknet-19作为YOLO V2的特征提取网络，参考了一些其他的网络结构的经验

VGG，使用了较多的$3\times3$卷积核，在每一次池化操作后把通道数翻倍。
GoogLeNet的network in network的思想，网络使用了全局平均池化（global average pooling），把$1\times1$的卷积核置于$3\times3$的卷积核之间，用来压缩特征。
使用batch normalization稳定模型训练，抑制过拟合

最终得出的基础模型就是Darknet-19，如下图，其包含19个卷积层、5个最大值池化层（maxpooling layers ），下图展示网络具体结构。Darknet-19在ImageNet图片分类top-1准确率72.9%，top-5准确率91.2%

上述的网络结构是用于ImageNet的预训练网络，其输入的是$224\times224$（最后几轮调整为$448 \times 448$）。在ImageNet预训练完成后，需要调整上面的网络结构：去掉最后的卷积层，添加三个$3 \times 3 \times 1024$的卷积层，且在这三个卷积层的每个后面添加$1 \times 1$的卷积层。在检测的时，输入的是$416 \times 416$，通过了5个池化层的降维，在最后的卷积层输出的特征为$13 \times 13 \times 1024$。前面提到，为了得到更细粒度的特征，添加了passthrough layer,将浅层的$26 \times 26 \times 512$（是输入到最后一个池化层前的特征）融合到最终输出的$13 \times 13 \times 1024$，作为最终用于检测的特征$13 \times 13 \3072$。

用于的检测的cell有$13 \times 13 $，每个cell要生成的5个bbox，每个bbox需要预测其位置和置信度$(t_x,t_y,t_w,t_h,t_0)$以及其每个类别的概率20个，所以最终输出为$13 \times 13 \times 5 \times (5 + 20) = 13 \times 13 \times 125$.

Stroner YOLO9000

YOLO9000是在YOLOv2的基础上提出的一种可以检测超过9000个类别的模型，其主要贡献点在于提出了一种分类和检测的联合训练策略。众多周知，检测数据集的标注要比分类数据集打标签繁琐的多，所以ImageNet分类数据集比VOC等检测数据集高出几个数量级。在YOLO中，边界框的预测其实并不依赖于物体的标签，所以YOLO可以实现在分类和检测数据集上的联合训练。对于检测数据集，可以用来学习预测物体的边界框、置信度以及为物体分类，而对于分类数据集可以仅用来学习分类，但是其可以大大扩充模型所能检测的物体种类。

summary

YOLO V2在YOLO主要的改动就是，引入了Anchor box以及修改了其用于特征提取的网络，在检测时去掉了全连接层，整个网络全部使用卷积层。

YOLO V3

YOLO作者对 YOLO V2做了一些小的改动。主要以下两个方面:

使用残差模型,构建更深的特征提取网络
使用FPN架构（Feature Pyramid Networks for Object Detection）来实现多尺度检测

Darkent-53

YOLO V3特征提取网络使用了残差模型，相比YOLO V2使用的Darknet-19，其包含53个卷积层所以称为Darknet-53.其网络结构如下图

Darknet-53在ImageNet数据集上的性能

和ResNet相比，其速度快了很多，精度却相差不大。

多尺度预测

采用FPN架构（Feature Pyramid Networks for Object Detection）来实现多尺度检测，如下图

YOLOv3采用了3个尺度的特征图（当输入为$416 \times 416$时）:$(13\times 13)，(26\times 26),(52\times 52)$,YOLOv3每个位置使用3个先验框，所以使用k-means得到9个先验框，并将其划分到3个尺度特征图上，尺度更大的特征图使用更小的先验框。