YOLO算法最全综述：从YOLOv1到YOLOv5( 五 ) 作者：初识cv

文章插图
具体怎样1拆4 ，下面借用一副图看的很清楚。图中示例的是1个4*4拆成4个2*2 。因为深度不变，所以没有画出来。
文章插图
另外，根据YOLO2的代码，特征图先用1*1卷积从 26*26*512 降维到 26*26*64 ，再做1拆4并passthrough 。下面图6有更详细的网络输入输出结构。
Multi-ScaleTraining（多尺度图像训练）
作者希望YOLO v2能健壮的运行于不同尺寸的图片之上，所以把这一想法用于训练model中。
区别于之前的补全图片的尺寸的方法， YOLO v2每迭代几次都会改变网络参数。每10个Batch ，网络会随机地选择一个新的图片尺寸，由于使用了下采样参数是32 ，所以不同的尺寸大小也选择为32的倍数{320 ， 352…..608} ，最小320*320 ，最大608*608 ，网络会自动改变尺寸，并继续训练的过程。
这一政策让网络在不同的输入尺寸上都能达到一个很好的预测效果，同一网络能在不同分辨率上进行检测。当输入图片尺寸比较小的时候跑的比较快，输入图片尺寸比较大的时候精度高，所以你可以在YOLO v2的速度和精度上进行权衡。
Figure4 ， Table 3：在voc2007上的速度与精度
文章插图
hi-res detector（高分辨率图像的对象检测）
图1表格中最后一行有个hi-res detector ，使mAP提高了1.8 。因为YOLO2调整网络结构后能够支持多种尺寸的输入图像。通常是使用416*416的输入图像，如果用较高分辨率的输入图像，比如544*544 ，则mAP可以达到78.6 ，有1.8的提升。
Hierarchical classification（分层分类）作者提出了一种在分类数据集和检测数据集上联合训练的机制。使用检测数据集的图片去学习检测相关的信息，例如bounding box 坐标预测，是否包含物体以及属于各个物体的概率。使用仅有类别标签的分类数据集图片去扩展可以检测的种类。
作者通过ImageNet训练分类、COCO和VOC数据集来训练检测，这是一个很有价值的思路，可以让我们达到比较优的效果。通过将两个数据集混合训练，如果遇到来自分类集的图片则只计算分类的Loss ，遇到来自检测集的图片则计算完整的Loss 。
但是ImageNet对应分类有9000种，而COCO则只提供80种目标检测，作者使用multi-label模型，即假定一张图片可以有多个label ，并且不要求label间独立。通过作者Paper里的图来说明，由于ImageNet的类别是从WordNet选取的，作者采用以下策略重建了一个树形结构（称为分层树）：

遍历Imagenet的label ，然后在WordNet中寻找该label到根节点(指向一个物理对象)的路径；
如果路径直有一条，那么就将该路径直接加入到分层树结构中；
否则，从剩余的路径中选择一条最短路径，加入到分层树。

这个分层树我们称之为 WordTree ，作用就在于将两种数据集按照层级进行结合。

文章插图
分类时的概率计算借用了决策树思想，某个节点的概率值等于该节点到根节点的所有条件概率之积。最终结果是一颗 WordTree （视觉名词组成的层次结构模型）。用WordTree执行分类时，预测每个节点的条件概率。如果想求得特定节点的绝对概率，只需要沿着路径做连续乘积。例如，如果想知道一张图片是不是“Norfolk terrier ”需要计算：
另外，为了验证这种方法作者在WordTree（用1000类别的ImageNet创建）上训练了Darknet-19模型。为了创建WordTree1k ，作者天添加了很多中间节点，把标签由1000扩展到1369 。训练过程中ground truth标签要顺着向根节点的路径传播。例如，如果一张图片被标记为“Norfolk terrier” ，它也被标记为“dog” 和“mammal”等。为了计算条件概率，模型预测了一个包含1369个元素的向量，而且基于所有“同义词集”计算softmax ，其中“同义词集”是同一概念的下位词。