提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

• 前言
• 一、网络简介
• 二、网络特点
• • 1.速度快
  • 2.视野广
  • 3.泛化能力强
• 三、设计过程
• 四、网络结构
• 五、损失函数
• 六、YOLOv1缺点
• • 1.定位不准确
  • 2.召回率不高
• 七、YOLOv2
• • 1.Batch Normalization
  • 2.High Resolution Classifier
  • 3.Convolutional With Anchor Boxes
  • 4.Dimension Clusters
  • 5.Direct Location prediction
  • 6.Fine-Grained Features
  • 7.Multi-Scale Training

前言

本文只是关于YOLOv1~v2的论文简单笔记总结，如有错误，请谅解！

一、网络简介

YOLO与R-CNN相比，R-CNN系列是先对图片产生多个预选框，然后再对每个预选框进行提取特征，分类，是two-stage模型。而YOLO是一个one-stage模型，将上述的两个步骤合二为一。通过一个端到端的网络，输入图片直接生成最终结果，所以相比较R-CNN系列，YOLO更快，同时也损失掉一些精度。

二、网络特点

1.速度快

YOLOv1由于没有过多的额外处理，没有对图片先产生多个预选框，然后再对每个预选框进行提取特征，直接是端到端的方法。

2.视野广

YOLOv1网络由于直接对全图进行处理，所以网络提取的信息是具有全局性的，而滑窗法等方式，其信息只能局限于对应的窗口。所以，论文中提到，YOLO的背景检测误差相比于Fast RCNN网络来说，减少了一半以上。

3.泛化能力强

论文中提到，YOLOv1网络学习了目标的泛化特征，也就是网络对于图中什么东西可能是目标物体(而不管类别)是有一定理解的。因此，在输入训练集中不存在的物体或者是艺术图像时，其效果要比RCNN更好。

三、设计过程

1.先用经典的图像分类模型（如VGG,resnet等）提取输入图片的特征信息。

2.然后在上述模型的后面再接几层网络用于最终的检测，即将上述提取到的特征进行再训练，得到最终结果。

3.训练时，将最终结果与标签值做对比，计算loss，反向传播，梯度更新。

4.预测时，将上述网络的输出结果经过NMS等操作，筛选出最终的bbox，即最终结果。

其中，
网络的输出结果是7730的tensor，将输入图片分成7*7个网格，每个网格预测两个bbox，
每个bbox各含5个参数（中心坐标xy，宽，高，置信度）。每个网格的两个bbox公用一套类别的条件概率（共20个类别），即30=（5+5+20)。

四、网络结构

YOLOv1的网络设计是分为两部分，一部分用于图片的特征提取(feature extraction)，另一部分是用来完成目标检测的任务。YOLOv1的特征提取部分是基于VGG网络，总共有24个卷积层和2个全连接层。其中，前20个卷积层用于图像的特征提取，后4个卷积层+2个全连接层用于目标检测。可以看到，其中也有利用1×1卷积层进行通道整合和降维减少参数的操作。除了最后一层全连接层外，其他层都是用leaky ReLU激活函数进行激活。

五、损失函数

六、YOLOv1缺点

1.定位不准确

大的bbox偏离一点和小的bbox偏离一点对于损失函数的贡献不一样。导致在小目标的定位时会出现定位偏差较大的问题。

2.召回率不高

由于最终只生成7x7个网格，每个网格生成两个bbox且最终只取一个bbox，所以最后只能预测出一个物体，很可能存在多个物体的中心在同一个网格中的情况，导致预测效果变差。另外，输入是448x448的图片大小，输出是7x7，下采样太狠，所以小目标的特征信息丢失，导致对小目标的检测效果不好。

七、YOLOv2

YOLOv2主要是在YOLOv1的基础上提出一些改进措施

1.Batch Normalization

原来的YOLOv1中是没有用BN层的，只是在最后的两个全连接层之间加入dropout。YOLOv2中，作者为每个卷积层都配了一个BN层，加速收敛，并且去掉了dropout。

2.High Resolution Classifier

YOLOv1中迁移学习的网络，是在ImageNet上只用输入是224x224训练。而YOLOv2中，将要迁移学习的网络在ImageNet上先用输入是224x224训练160个epoch，再用448x448的输入训练10个epoch。

3.Convolutional With Anchor Boxes

YOLOv1是利用全连接层直接预测bounding box的坐标，而YOLOv2借鉴了Faster R-CNN的思想，引入anchor。最后预测的是相对于anchor坐标的偏移量。

4.Dimension Clusters

采用k-means的方式对训练集的bounding boxes做聚类，试图找到合适的anchor box。

5.Direct Location prediction

6.Fine-Grained Features

这里主要是添加了一个层：passthrough layer。这个层的作用就是将前面一层的26x26的feature map和本层的13x13的feature map进行连接，有点像ResNet。这样做的原因在于虽然13x13的feature map对于预测大的object已经足够了，但是对于预测小的object就不一定有效。

7.Multi-Scale Training

在训练网络时，每训练10个batch,网络就会随机选择另一种size的输入。前面我们知道本文网络本来的输入是416x416，最后会输出13x13的feature map，所以下采样的倍数为32，因此作者采用32的倍数作为输入的size，即采用从{320,352,…,608}的输入尺寸。这种网络训练方式使得相同网络可以对不同分辨率的图像做检测，增加网络的鲁棒性。

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！