执行多尺度训练(yolov2)

Question

我想知道YOLOv2的多尺度培训是如何运作的.

该文件指出：

原YOLO的输入分辨率为448×448。加上锚固箱，我们将分辨率改为416×416。但是，，因为我们的模型只使用卷积和池层，所以可以动态地调整的大小。我们希望YOLOv2能够在不同大小的图像上运行，因此我们将其训练成模型。我们不是固定输入图像大小，而是每隔几次迭代一次就改变网络。每10批，我们的网络随机选择一个新的图像尺寸大小。“由于我们的模型降低了32倍的样本，我们从下列32倍的倍数中提取：{ 320,352，…，608}。因此最小的选项是320×320，最大的是608×608。我们将网络调整到这个维度，并继续训练。”

我不明白只有卷积层和池层的网络如何允许不同分辨率的输入。根据我建立神经网络的经验，如果你把输入的分辨率改变到不同的尺度，这个网络的参数数目就会发生变化，也就是这个网络的结构会发生变化。

那么，YOLOv2是如何动态地改变这一点的呢？

我读取了yolov2的配置文件，但我得到的只是一条random=1语句.

Answer 1

如果只有卷积层，那么权重的数量不会随层的2D部分的大小而改变(但如果调整通道的数量，则会发生变化)。

例如(想象中的网络)，如果您有224x224x3输入图像和一个3x3x64卷积层，您将有64个不同的3*3*3卷积滤波器内核= 1728权值。这个值根本不取决于图像的大小，因为一个核独立地应用于图像的每一个位置，这是卷积和卷积层最重要的事情，也是为什么CNN可以这么深的原因，以及为什么在更快的R-CNN中，您可以从特征图中裁剪出区域。

如果有任何完全连接的层或其他东西，它将不会这样工作，因为在那里，更大的2D层尺寸将导致更多的连接和更多的重量。

在yolo v2中，有一件事情看上去仍然不合适。例如，如果在每个维度中将图像大小增加一倍，那么在最终的1x1xN筛选器之前，您将得到每个维度中特征数的2倍，就像您的网格对于原始网络大小是7x7时，调整后的网络可能有14x14。但是，您将得到14x14 * B*(5+C)回归结果，很好。

Answer 2

在YoLo中，如果您只使用卷积层，则输出网格的大小会发生变化。

例如，如果您的大小为：

1. 320x320，输出大小为10x10。
2. 608x608，输出大小为19x19

然后，在这些w.r.t上计算损失到地面真相网格，这是类似调整的。

因此，您可以在不添加任何参数的情况下返回传播损失。

有关损失函数，请参阅yolov1文件：

纸上的损失函数

因此，理论上您只能调整这个函数，这取决于网格大小，而不依赖于模型参数，您应该可以选择。

纸质链接：https://arxiv.org/pdf/1506.02640.pdf

提交人在视频解释中也提到了这一点。

时间: 14:53

视频链路