博客建站系统,做网站就,网站开发的实验心德,H5响应式网站示例目录 前言
BN层取代了Dropout
使用了高分辨率分类器
K-means选定先验框的尺寸
网络结构—darknet19
细粒度的特征 前言
yolov2是在yolov1的基础上进行改进的#xff0c;主要解决了yolov1定位不准确以及检测重叠的物体极差的情况#xff0c;总的来说#xff0c;它有以下…目录 前言
BN层取代了Dropout
使用了高分辨率分类器
K-means选定先验框的尺寸
网络结构—darknet19
细粒度的特征 前言
yolov2是在yolov1的基础上进行改进的主要解决了yolov1定位不准确以及检测重叠的物体极差的情况总的来说它有以下改进
BN层取代了Dropout使用了高分辨率分类器K-means选定先验框的尺寸网络结构—darknet19细粒度的特征
BN层取代了Dropout
在yolov1的基础上添加了Batch NormalizationBatchNorm层和Dropout层在一定程度上都可以抑制过拟合但其工作机制有所不同Dropout会随机让一些节点输出为0用来增加模型的泛化能力在一定的程度上起到了正则化作用但Dropout会降低训练时的信息流通收敛速度变得更慢而BatchNorm层通过对每个batch做标准化使得信息在层与层之间传递时分布更稳定。这也起到一定的正则作用并可以 accelerate 网络的训练。
相比DropoutBatchNorm的优点是: 对特征分布做标准化,使得梯度传播更顺畅,起到加速训练的效果 在测试时不丢弃任何节点,保留了完整的网络结构 对小batch size更友好
因此,在目标检测任务中特别是对batch size敏感的一阶段检测网络中使用BatchNorm可以获得更好的效果成为了标准配置。随着BatchNorm层的引入yolov2和v3收敛速度更快,效果也有所提升。
可以说BN层在一定程度上取代了yolov1中的Dropout层,成为yolo后续版本的标准组件之一。
使用了高分辨率分类器
yolov2相比v1使用了更高分辨率的图像进行分类网络的预训练这也是YOLOv2取得提升的一个重要原因。
YOLO 对应训练过程分为两步第一步是通过 ImageNet 训练集 进行高分辨率的预训练这一步训练的是分类网络第二步是训练检测网络是在分类网络的基础上进行微调。
yolov1使用224x224的较低分辨率图像预训练分类网络。而在yolov2中作者将预训练时使用的图像分辨率提高到了448x448。
使用更大分辨率的图像可以学习到更丰富的特征表示有利于提升模型的检测效果。文中也报告称更高分辨率预训练可以使mAP提高约4%。
此外,YOLOv2还改进了网络结构,加深了网络层数,进一步提升了特征表达效果。
K-means选定先验框的尺寸
YOLOv2的先验框选择方法如下: 收集训练数据集中真实框的宽高信息 对真实框的宽高按比例进行聚类,获得多个宽高比例cluster 为每个cluster计算一个平均宽高(即先验框的宽高) 对不同特征层,分别进行上述步骤,获得该特征层的多个先验框
与yolov1直接人工设置不同YOLOv2的先验框是通过K-means算法对真实框统计聚类得到的。这种方法可以让先验框更贴近数据集的真实分布情况,从而提升检测效果。
网络结构—darknet19 Darknet-19主要特点包括: 仅使用3x3卷积层和2x2最大池化层堆叠构建没有全连接层 从空间维度不断下采样逐步减小特征图尺寸,增加通道数 在Darknet结构上增加了批标准化(BatchNorm)层 19层网络深度相比VGG16等要浅一些 Darknet-19作为分类网络预训练后YOLOv2在其基础上进行了扩展它加入了回归预测层、类别预测层等用于检测的层在多尺度特征层上进行检测提高小目标检测效果并且使用了特征融合的方式提升检测精度。
细粒度的特征
其实就是为了增强网络对于小物体检测的能力但提升效果不明显这一缺点在v3版本中有巨大改进。具体来说YOLOv2在预测层前融合了不同层级的特征,包括: 1原13x13的特征层 2通过上采样获得的26x26特征层 3通过上采样获得的52x52特征层 这多尺度的特征融合提供了不同粒度的信息。较高分辨率的特征具有更细致的纹理信息有利于小物体检测。但是论文结果也显示这种multi-scale特征在YOLOv2中对检测小物体的提升非常有限(mAP提升 only 2%)。原因在于 uprising 过程中会丢失许多定位信息。此外小物体特征稀疏容易在融合中被丢弃。
