论文阅读: YOLOv2
Introduction
本文获得了CVPR 2017 Best Paper Honorable Mention：
行文思路自成一体，按照 Better、Faster、Stronger 三个章节来分别介绍其贡献。
Better
概括来说就是一堆的小trick。
- 引入Batch Normalization，涨点2。
- 训练分类的阶段，每10个epoch就在448×448448×448448\times 448的高像素图片上fine-tune一下，使之能更好地适应高像素的输入图像。该操作对mAP涨点4。
- 抛弃后段的FC层，改用anchor机制来预测bbox。该操作虽然使得mAP从69.5降至69.2，但是召回率从81暴涨至88。
- Dimension Clusters (维度聚类) 。经过对VOC数据集和COCO数据集中bbox的k-means聚类分析，将anchor机制中原本惯用的 9 anchor 法则 删减为仅保留最常出现的 5 anchor 。其中，狭长型的anchor是被保留的主体：
该Cluster IoU操作将anchor数量砍削了将近一半，但对object bbox的平均IoU值却只从61.0降至60.9：
- 新的 encode/decode机制 —— Direct location prediction (直接位置预测) 。号称用新的位置预测算法来缩小参数范围，使之更容易学习，也使得网络更加稳定：
然而现在看来并没有什么影响力，大家主流用的还是Faster R-CNN中设计好的那一套encode/decode机制。
- 在 26×2626×2626\times 26 size层设置了通道层接至 13×1313×1313\times 13 size层。号称保留了更多的位置信息，从而提升细粒度分类的能力。本质上即为single-scale上处理two-scale的feature map信息。该操作涨点1。
- Multi-Scale Training (多尺度训练) 。每10个batch就在 320,352,...,608(均为32整数倍)320,352,...,608(均为32整数倍){320, 352, ..., 608} (均为32整数倍) 中随机选择一个新的input size，该操作据说能锻炼对多尺度input的预测能力。个人感觉这就是集成学习。
Faster
YOLOV1中basemodel选择GoogleNet而非VGGNet，之后的SSD却采用了VGGNet，并大获成功。YOLOv2坐不住了，想要改basemodel。 但是和YOLOv1的原因一样，因为嫌弃VGGNet计算量太大（224×224224×224224\times 224的图像需要计算30.69 billion次浮点运算），于是自己整了个DarkNet-19出来：
该DarkNet-19仅需5.58 billion次浮点运算，却依然在ImageNet上保持高精度。
Stronger
softmax嵌套softmax，从而实现分级语法树：
带有分级语法树的YOLOv2，进化为了YOLO9000：
这是 第一个large-scale detector ，虽然细分类的精度并不高。
Innovation
自己发明的一系列骚操作（Dimension Clusters、Direct location prediction、Multi-Scale Training、DarkNet-19）再加上博采众长，共同构成了此篇神作。
Result
在mAP和inference speed上都号称取得了state-of-the-art (实际上差得很)：
效果图：
Thinking
- YOLOv2中提出了很多trick，贡献很饱满；
- YOLOv2的加强版——YOLO-9000应该是最早开始对 large-scale detection 领域进行拓荒的了。但是scale变large的代价是accuracy变差，所以YOLO-9000无法实际运用于生产中。其后的R-FCN-3000则在该领域继续开拓，并取得了较好的accuracy。
[1] YOLO9000: Better, Faster, Stronger [2] 详解YOLO 2与YOLO 9000目标检测系统 | 分享总结 [3] YOLO升级版：YOLOv2和YOLO9000解析 [4] 解读Yolo2和Yolo9000目标检测系统 [5] Object Detection – 论文YOLO2(YOLO9000:Better, Faster, Stronger)解读