[物件偵測] S5: YOLO v2 簡介

前言

YOLO v1 用非常直覺的方式設計了網路的運作，讓網路從輸出到輸入直接給出分類的機率與邊界框的位置，而且速度遠遠比two stage的模型要快得多。不過準確度卻還差強人意。因此YOLO v2這次參考了Faster R-CNN中anchor的概念而做了改進，也對feature map的使用做了改善。這次我們就談談這些改進。

論文：
YOLO9000: better, faster, stronger

演算法架構

大抵上來說，YOLO v2並沒有對v1的網路架構做太多的更動，而是在一些細節上做改進，使得網路在對於物體的定位精度高很多，在PASCAL VOC的mAP表現可以來到78.6的成績。以下我們就分成backbone、anchor和feature map說明。

Backbone

為了要修正v1的一些缺陷，如在Recall上的低落與對於物體位置辨識的錯誤，YOLO v2首先在backbone網路上做了改良。作者提出了Darknet-19的網路架構:

Darknet-19

很明顯可以看到，darknet-19的設計主要的參考依據就是VGG-16，因為VGG-16其實相當好架設，也非常有效。不過最大的缺點就是最後的兩層全連階層使得運算的參數量過高。所以darknet-19的設計又參考了Googlenet和Network In Network的設計，運用1×1的卷積和全域平均池化，來取代掉原本分類層的設計，讓參數的使用量只需原本VGG-16的0.28倍。
與此同時，darknet-19也引入了batch normalization的設計。因為隨著網路的加深，內部參數的統計量在每一層的傳遞中一直改變而越來越難訓練。因此加入batch normalization除了穩定並加速深層網路的訓練，同時也起到了regularization的效果。

Anchor

在邊界框的設計上，YOLO v1是將邊界框的x, y, w, h直接作為輸出進行預測。然而anchor box的設計則是預測anchor的偏差量，這樣的方式其實簡化了邊界框的預測問題(因為可以針對既有比例和尺寸的邊界框做微調，而不是從 甚麼根據都沒有就直接預測)，也讓一開始的誤差一定程度的控制下來而使得網路更好訓練。 而如何決定一開始的anchor，作者就利用K-means法來對既有的邊界框做clustering，並利用IoU來評估，發現選出5個anchor就可以在模型的recall和計算量之間取得平衡。 不過直接套用anchor進來，還會遇到一個問題是，anchor的x, y在計算預測值和實際值的偏差\(t_{x}\), \(t_{y}\)時，沒有限制式來限制值域範圍(如下式)，因此在訓練的初始階段，loss會跳動的較劇烈。
\[x = (t_{x}*w_{a}) - x_{a}\] \[y = (t_{y}*h_{a}) - y_{a}\]

因此，作者將邊界框中心點偏差量\(t_{x}\), \(t_{y}\)的定義改成是對其所在的feature map的cell之左上角的點的偏差量來描述之，如下圖。這樣就可以把\(t_{x}\), \(t_{y}\)的值域確實限制在0, 1之間。圖中的\(p_w\)和\(p_h\)是anchor的寬高。

因此，在邊界框的四個位置資訊和confidence的預測式就可以寫成：

Feature map

在使用feature map的方式上，為了避免直接使用pooling造成的訊息消失問題，作者運用了一個拆分組合的方式來產生要使用的feature map，具體來說就像下面這張圖一樣:

也就是說，YOLO v2中倒數第二個feature map是26×26×512，經過pooling後就變成13×13×512，並不是就這樣結束了，而是把原本26×26×512拆成4份，變成13×13×(512×4)，並且接在13×13的feature map，如此就將兩種不同尺度的feature map都考慮到了。

結論

以上是YOLO v2在網路設計部份的改進，考量了anchor的設計之後，以VOC資料集為例，anchor有5種，每個邊界框有4個偏移量和1個置信值(\(t_x\), \(t_y\), \(t_w\), \(t_h\), \(t_c\))，加上各自都有對應到20個類別，所以v2的輸出維度就是13×13×5×(5+20)。
雖然論文當中還有提到一些更細節再training上的方法，例如multi-scale、world tree的訓練、但這邊並不難理解就不再提。v2 加上了anchor的設計並且調適成適合one stage模型的方式，除了在速度上最快可以來到60 fps以上，當時真的是非常驚人的結果。不過依然存在著缺陷是還是考慮太少尺度的feature map來做偵測， 因此如果將這部分也考慮了進去，對於影像中各個大小的物體就能以合適的尺度去做偵測。這部分就是第3代的YOLO v3。
這是我個人對這篇論文的消化，如果有錯誤之處，請各位朋友指教或幫我指出
如果喜歡這篇文章，記得在下面幫我按個Recommend↓
謝謝～