YOLO9000: Better, Faster, Stronger

Joseph Redmon, Ali Farhadi

可偵測超過9000種類別

問題

• 過去方法只能辨識很少的類別物件。
• 替影像作detection標註比做classification標註更耗時。
• 跟Region proposal based的方法相比，YOLOv1 recall較低。
• 要提升準確度往往需要提高網路複雜度。

方法:

Better

• Batch Normalization: 取代Dropout，加快收斂且提升2% mAP。
• High Resolution Classifier: 先用448×448像素值的影像預先進行訓練10個epochs，先提升4% mAP。
• Anchor Boxes:
  • 移除全連結層，並用Anchor Boxes預測Bounding Boxes。
  • 輸入為416×416為了讓特徵圖中的座標為奇數個，這樣中心點座標就會唯一。mAP會下降，但是提升了Recall。
• Dimension Clusters:過去需手動設定Anchor Box數量以及尺寸，但本文利用K-means去生成Bounding Box，可以使得模型學得更好。
  K-mean用:
  最終求得: K=5，Recall跟模型複雜度較為適合。
  
• Direct location prediction: 每個Grid Cell預測五個Bounding Box，
  並且有五個值
  
  • bx,by:預測的Bounding Box中心點位置+距離最左邊跟最上面Grid Cell的格數。
  • bw,bh:預測的Bounding Box寬跟高乘上寬跟高篇移量的exponential結果。
  • 信心度值會再經過sigmoid後輸出
    
• Fine-Grained Features:串接較為淺層的特徵到深層網路當中，提升1%。
• Multi-Scale Training:為了讓模型可以處理不同大小的影像，每10個batch會重新選擇一個新的影像大小{320,352, ...,608}

Faster

• 物件偵測網路常採用VGG-16用於特徵提取，但是因為VGG-16參數量太大，YOLOv2提出一個新的分類模型: Darknet-19。
• Darknet-19: 19個convolution layers，5個max pooling layers，參數量少很多。

Stronger

• 當將兩個Dataset進行合併的時候可能會遇到類別互斥問題，舉論文例子:對於一張狗的影像，有的資料集標得是"狗"，有的資料集標的是狗的品種。
• 建立Hierarchical Wordtree:
  
• 可藉由路徑上的節點機率來得到對應類別的機率，其中phisical object代表影像中是否有物件存在。
  

模型訓練

• Classification:會先用分類網路預訓練10個epochs訓練448×448的影像，並接續訓練160個epochs。
• Detection: 移除上面預訓練好的classification模型最後一層convolution層，並添加三層3×3×1024的卷積層，以及最後加入一層輸出層(1×1×(5 boxes × (5 coordinates +類別數)))，中間有加入passthorough層。

實驗結果

文章使用之圖片擷取自該篇論文