织梦网站一排4张图片,建网站的公司哪里有,一条龙网站建设价格,网站建设答辩ppt下载YOLO-V2 更快#xff01;更强#xff01; YOLO-V2-BatchNormalization
BatchNormalization#xff08;批归一化#xff09;是一个常用的深度神经网络优化技术#xff0c;它可以将输入数据进行归一化处理#xff0c;使得神经网络更容易进行学习。在YOLOv2中#xff0c;B…YOLO-V2 更快更强 YOLO-V2-BatchNormalization
BatchNormalization批归一化是一个常用的深度神经网络优化技术它可以将输入数据进行归一化处理使得神经网络更容易进行学习。在YOLOv2中BatchNormalization主要用于减少过拟合提高模型的泛化能力和训练速度。
具体而言YOLOv2中的BatchNormalization包含两个部分归一化和放缩。归一化是指将输入数据进行零均值化和单位方差化处理使得每个特征的值落在较小的范围内有利于网络的学习。放缩是指通过乘以一个可学习的标量和加上一个可学习的偏移量来还原数据的原始分布从而保留数据的表达能力。这两个过程的组合可以减少梯度消失和梯度爆炸问题提高模型的稳定性和收敛速度。
总之BatchNormalization是一种有效的优化技术可以使得神经网络更加健壮具有更好的泛化能力和训练速度。在YOLOv2中BatchNormalization被广泛应用并取得了显著的效果。
YOLO-V2-更大的分辨率
V1训练时用的是224224测试时使用448448 可能导致模型水土不服V2训练时额外又进行了10次448*448的微调使用高分辨率分类器后YOLOv2的mAP提升了约4% YOLO-V2的网络结构 YOLO-V2-聚类提取先验框
YOLO-V2-AnchorBox
通过引入anchorboxes使得预测的box数量更多1313n 跟faster-rcnn系列不同的是先验框并不是直接按照长宽固定比给定
YOLO-V2-DirectedLocationPrediction 感受野
概述来说就是特征图上的点能看到原始图像多大区域
如果堆叠3个3x3的卷积层并且保持滑动窗口步长为1其感受野就是7*7的了这跟一个使用7x7卷积核的结果是一样的那为什么非要堆叠3个小卷积呢
假设输入大小都是hwc并且都使用c个卷积核(得到c个特征图)可以来计算一下其各自所需参数
很明显堆叠小的卷积核所需的参数更少一些并且卷积过程越多特征提取也会越细致加入的非线性变换也随着增多还不会增大权重参数个数这就是VGG网络的基本出发点用小的卷积核来完成体特征提取操作。 YOLO-V2-Fine-GrainedFeatures
最后一层时感受野太大了小目标可能丢失了需融合之前的特征
YOLO-V2-Multi-Scale
都是卷积操作可没人能限制我了一定iterations之后改变输入图片大小最小的图像尺寸为320x320 最大的图像尺寸为608x608
