YOLO9000

源地址：http://pjreddie.com/yolo9000/

摘要：(Final 2017/11/06)

  我们介绍一个最先进的实时对象检测系统YOLO9000，它可以检测超过9000个对象类别。首先，我们提出了YOLO检测方法的改进，既有创新型又有以前工作中的继承。改进型YOLOv2是标准检测任务（如PASCAL VOC和COCO）的最先进技术。使用一种新颖的多尺度训练方法，相同的YOLOv2模型可以执行不同大小的检测任务，在速度和精度之间取得了很好的平衡。YOLOv2在VOC 2007上获得76.8 mAP以67 FPS的速度。在40 FPS下，获得78.6 mAP，超过现在最好的方法，如：利用ResNet实现的faster RCNN和SSD，同时具备较好的效率。最后，我们提出一种能够同时实现目标检测和分类的方法。使用这种方法，我们在COCO检测数据集和ImageNet分类数据集上同时训练YOLO9000。我们的联合训练允许YOLO9000预测没有标记检测数据的目标检测。我们在ImageNet检测任务中验证了方法的有效性。YOLO9000在ImageNet检测验证集上获得19.7 mAP，尽管是200个类之中的44类的检测数据。在COCO的156个类中，YOLO9000获得了16.0 mAP。但是YOLO可以检测到超过200个类别;在预测超过9000个不同对象类别的检测。任然可以达到实时。

1.介绍：

  通常的目标检测应该是快速，准确，能够识别各种各样的目标。自从引入神经网络以来，检测框架变得更快，更准确。然而，大多数检测方法仍然被限制在小部分目标上。

  当前目标检测数据集与其他任务（如分类和标记）的数据集相比是有限的。最常见的检测数据集包含几万或者几十万的数据，具有数十到数百个标签[3] [10] [2]。分类数据集具有数百万个具有几万或者几十万的标记类别的图像[20] [2]。

  我们希望检测能够发展到目标分类的级别。然而，检测标记的图像比用于分类或标记的标签要珍贵（标签通常由用户自由提供）。因此，在不久的未来，我们不太可能看到与分类数据集相同规模的检测数据集。

  我们提出了一种新方法来利用我们已经拥有的大量分类数据，并利用它来扩大当前检测系统的范围。我们的方法使用分层视图的方法将不同的数据集合在一起。

  我们还提出了一种联合训练算法，使我们可以使用检测和分类数据集进行目标检测训练任务。 我们的方法利用标记的检测图像来学习目标精确定位，同时使用分类图像来增加其种类和鲁棒性。

我们使用上述方法训练YOLO9000，一个可以检测超过9000个不同类别的实时目标检测器。 首先，我们在YOLO的基础上改进，并生成现在最先进的实时目标检测器YOLOv2。然后我们的数据联合方法和联合训练算法，用ImageNet和COCO检测数据训练了一个超过9000类的模型。

2.更好

  相对于最先进的检测系统，YOLO具有各种不足之处。YOLO与Fast R-CNN相比的错误分析表明，YOLO产生了大量的定位错误。此外，与区域提案方法相比，YOLO的召回率相对较低。因此，我们主要关注改善召回和定位，同时保持分类准确性。

  计算机视觉通常趋向于更大，更深的网络[6] [18] [17]。更好的性能往往取决于训练更大的网络或将多个模型组合在一起。然而，使用YOLOv2，我们需要一个保持速度的同时能够更准的检测器。我们不需要扩展我们的网络，而是简化网络，使得训练更容易。我们从过去的工作中汇集各种想法，结合我们的创新理念来提高YOLO的表现。见表2。

Batch Normalization:

  BN能够加快收敛，而不需要其他形式的正则化[7]。通过在YOLO的所有卷积层上添加BN，mAP提高了2％。同时有利于模型的调整。使用BN，我们可以从模型中删除dropuot而不会过度拟合。

High Resolution Classifier:

  所有最先进的检测方法都使用ImageNet上预训练模型[16]。从AlexNet开始，大多数分类操作在小于256×256的输入图像上进行[8]。原始的YOLO以224×224大小训练分类网络并将输入分辨率提高到448*448来进行检测。这意味着网络必须同时切换以满足目标检测和适应新的输入分辨率。

  对于YOLOv2，我们首先使用448*448 ，10 epchs 在ImageNet上进行fine tune 得到分类网络。这给网络时间调整滤波器以便在更高分辨率的输入上更好地工作。然后，我们在检测时微调结果网络。这种高分辨率分类网络能够提高4％的mAP。

Convolutional With Anchor Boxes:

  YOLO直接使用卷积特征提取器顶部的全连接层来预测边界坐标。不使用使用手工选择的先验来预测边界框的faster R-CNN[15]。仅使用卷积层，faster R-CNN中的区域提议网络（RPN）预测了锚点框的偏移和置信度。由于预测层是卷积的，而RPN在特征图中的每个位置预测这些偏移。预测偏移而不是坐标简化了问题，使网络更容易学习。

  我们从YOLO中删除全连接层，并使用锚点框来预测边框。首先我们消除一个池化层，使得网络卷积层能够输出更高分辨率。我们缩小网络到416而不是448×448。我们这样做是为了在特征途中有奇数个位置，以便得到中心单元。目标，特别是大型的目标，往往占据图像的中心，所以在中心有一个位置能够很好的预测这些目标，而不是四个位置都在附近。YOLO的卷积层使用下采样因子32，所以对于416的输入图像，我们得到了13×13的输出特征图。

  当我们移动到锚边框时，我们将类预测机制与空间位置分离，预测每个锚边框的类和目标。根据YOLO，在给定类别中，当有目标存在时，预测了ground-truth的IOU和所提出的框以及该类的条件概率。

  使用anchor boxes，我们精确度降低很少.YOLO仅预测每个图像98个边框，但是使用anchor boxes，我们的模型预测了一千多个。没有anchor boxes，我们的中间模型得到69.5 mAP，召回率为81％。 使用anchor boxes，我们的模型得到69.2 mAP，召回率为88％。尽管mAP减少，但是召回增加意味着我们的模式有更多的改进空间。

Dimension Clusters：

  在YOLO中使用anchor boxes时，我们遇到两个问题。首先边框维度是手动选择的。网络可以学习适当地调整框，但如果我们从网络中选择更好的先验，我们可以使网络更容易获得良好的检测。
  我们不用手动选择先验，而是在训练集边界框上运行k均值聚类，以自动找到优先级。 如果我们使用标准的k-means和欧氏距离，较大的box比较小的box产生更多的错误。然而，我们真正想要的是与box大小无关的，能够提供更好的IOU分数的先验。因此，我们使用如下的距离度量方式：d(box,centroid)=1 -IOU(box,centroid)

  我们对k的各种值运行k-means，并绘制最接近中心的平均IOU，参见图2.为了使模型复杂度与高召回率得到很好的平衡，选择k=5。集群质心与手动选择的anchor boxes显著不同。短，宽的边框更少和高，瘦的边框更多。

  我们将平均IOU与最优聚类策略和表1中的手动选择的anchor boxes进行比较。只有5个优先级与9个anchor boxes相似，平均IOU为61.0和60.9。 如果我们使用9个质心，我们看到一个更高的平均IOU。这表明使用k-means来生成边界框能够得到更好的效果，使得学习更容易（模型收敛更快）。

Direct location prediction：

  当使用YOLO的锚盒时，我们遇到第二个问题：模型不稳定，特别是在早期迭代期间。大多数不稳定性来自预测边框的（x，y）位置。在区域提案网络中，网络预测值为tx和ty，（x，y）中心坐标计算为：

                            x = (t_x*w_a) - x_a

                            y = (t_y * h_a) - y_a

  例如，tx = 1的预测将使边框向右移动anchor box的宽度，tx = -1的预测将向左移动相同的量。

  该公式是无约束的，所以任何anchor box可以在图像中的任何点处结束，而不管什么位置预测该盒子。 使用随机初始化，模型需要很长时间才能稳定的预测物体合适的偏移量。

 我们遵循YOLO的方法来取代偏移量预测，通过栅格单元的位置来预测目标位置。 这将ground truth 限制在0到1之间。我们使用逻辑激活来限制网络的预测落在此范围内。

  在输出的特征图的每个cell上预测5个边界框。网络预测每个边框的5个坐标：tx，ty，tw，th和to。如果单元格从图像的左上角偏移（cx，cy），先前的边界框具有宽度和高度pw，ph，则预测对应于：

由于我们约束了预测位置，使得参数更容易学习，网络更加稳定。使用维度聚类来直接预测边界框中心位置比anchor boxes 的YOLO提高了5%。

Fine-Grained Features:

  修改后YOLO在13×13特征图上检测。虽然这对于大目标来说足够，但是它可能会从更细粒度的特征中获益，从而实现小目标定位。faster R-CNN和SSD可以在网络中的各种特征图上运用他们的提案网络，以获得一系列的分辨率。我们采用了一种不同的方法，只需添加一个passthrough层，从前期的层中就能够提取26×26分辨率特征图。

  passthrough层将较高分辨率的特征与低分辨率特征相连，通过将相邻特征叠加到不同的通道而不是空间位置，类似于ResNet中的一致性映射。这将26×26×512的特征图变成13×13×2048的特征图，可以与原始的特征相连。我们的检测器运行在这个扩展特征图的顶部，以便它可以访问细粒度特征。这样可以提高1%的准确率。

Multi-Scale Training:

  原始的YOLO使用448×448的输入分辨率。通过添加anchor boxes，我们将分辨率更改为416×416。但是，由于我们的模型仅使用卷积和池化层，因此可以随时调整大小。我们希望YOLOv2能够运行在不同尺寸的图像上，因此我们将其训练到模型中。

  我们每隔几个迭代就改变网络，而不是固定输入。我们的网络每10批次随机选择一个新的图像尺寸大小。由于模型下采样因子是32，我们从32的倍数：{320,352，...，608}中抽出。因此，最小的选择是320×320，最大的是608×608。我们将网络调整到指定维度并继续训练。

  这一规则迫使网络学习如何在各种输入上进行预测。这意味着相同的网络可以预测不同分辨率的检测。网络运行速度更快，所以YOLOv2在速度和精度之间达到了较好折中。
  在低分辨率下，YOLOv2作为廉价，相当准确的检测器运行。 在288×288，它运行在超过90 FPS，mAP几乎和Fast R-CNN一样好。这使它适用于较小的GPU，高帧速视频或多个视频流。

  在高分辨率下，YOLOv2是最先进的检测器，在VOC 2007上具有78.6 mAP，同时仍然高于实时速度。有关YOLOv2与VOC 2007中其他框架的比较，请参见表3。图4

Furher Experiments:

我们在VOC 2012上训练YOLOv2进行检测。表4显示了YOLOv2与其他最先进的检测系统的比较性能.YOLOv2获得了73.4mAP的同时运行速度也是远远超过其他比较的方法。我们还对COCO进行训练，并与表5中的其他方法进行比较。在VOC指标（IOU = .5）上，YOLOv2获得44.0 mAP，与SSD和更快的R-CNN相当。         

                                

3.更快

  我们希望检测能够更快更准确。用于检测的大多数应用，如机器人或自驾车，都依赖于低延迟预测。为了最大限度地提高性能，我们设计YOLOv2从头开始。
  大多数检测框架把VGG-16作为基本特征提取器[17]。 VGG-16是一个功能强大，准确的分类网络，但过分复杂。VGG-16的卷积层需要306.6亿个浮点运算，用于以224×224分辨率对单个图像进行单次传递。
  YOLO框架使用基于Googlenet架构的自定义网络[19]。 这个网络比VGG-16要快，一个前向传播的只需要85.2亿次操作。但是，它的精度略差于VGG-16。对于单作物，在224×224下的top-5，YOLO的定制模型获得88.0％的ImageNet，而VGG-16的90.0％。

Darknet-19：

  我们提出一种新的分类模型作为YOLOv2的基础。我们的模型建立在网络设计以及现场常识方面的先验工作。与VGG模型类似，我们主要使用3×3滤波器，每次池化后，通道数量增加一倍[17]。在NIN的工作之后，我们使用全局平均池进行预测以及1×1个滤波器来压缩3×3卷积之间的特征表示[9]。我们使用BN来稳定训练，加快收敛速度，并使模型规范化[7]。

  我们的最终模型称为Darknet-19，具有19个卷积层和5个maxpooling层。有关完整的说明，请参见表6. Darknet-19仅需要58.8亿次运算来处理图像，但ImageNet上的top-1精度达到了72.9％，top-5精度达到了91.2％。

Training for classification：

  我们用标准的ImageNet 1000类别分类数据集训练160个epochs，初始学习率为0.1的随机梯度下降，power为4的多项式速率衰减，0.0005的权重衰减和0.9的动量，使用Darknet神经网络框架[13]。在训练期间，我们使用标准数据增加技巧，包括随机crop，旋转，色调，饱和度和曝光转换。

  如上所述，在我们对224×224的图像进行初始训练后，我们用448*448的较大的尺寸对我们的网络进行了微调，我们训练上述参数，但只训练10个epochs，并以0.001的学习速度开始。在这个更高的分辨率下，我们的网络实现了top-1的精度为76.5％，top-5个精度为93.3％。

Training for detection:

   我们通过去除最后一个卷积层来修改该网络进行检测，而不是在三个3×3的卷积层上加上1024个滤波器，之后是最终检测的输出数量的1×1卷积层。对于VOC，我们预测5个框，5个坐标，每个有20个类，所以使用125个滤波器。我们在倒数第二层添加一个3×3×512的passthrough层，使得我们的模型可以使用细粒度特征。

  我们训练160个epochs网络，起始学习率为0.001，将60到90epochs分成十份。我们使用0.0005的权重衰减和0.9的动量。我们对YOLO和SSD采用 随机crop，色彩转移等相似的数据增广。我们对COCO和VOC采用相同的训练策略。

4.更强大

  我们提出了分类和检测数据联合训练机制。我们的方法使用标记为检测的图像来学习检测特定信息，如边界框坐标预测和以及如何对常见目标进行分类。它使用只有类标签的图像来扩展它可以检测的类别数量。

  在训练期间，我们混合来自检测和分类数据集的图像。当我们的网络看到一个标记为检测的图像时，我们可以基于完整的YOLOv2损失函数进行反向传播。当它看到一个分类图像时，我们只能从架构的分类特定部分反向传播损失。

  这种方法提出了一些挑战。检测数据集只有常用的对象和一般标签，如“狗”或“船”。分类数据集具有更广泛和更深层次的标签。ImageNet拥有一百多种犬，包括“诺福克犬”，“约克郡犬”和“贝灵顿犬”。如果我们要在两个数据集上进行训练，我们需要一个一致的方式来合并这些标签。

  大多数分类方法使用所有可能类别的softmax层来计算最终概率分布。使用softmax假定这些类是互斥的。这会给数据集合并带来问题，例如，您不希望使用此模型来组合ImageNet和COCO，因为“诺福克犬”类和“狗”类不是相互排斥的。

Hierarchical classification：

  ImageNet标签是从WordNet中提取出来的，这是一个构建概念及其相关关系的语言数据库[12]。在WordNet中，“诺福克犬”和“约克夏犬”都是“猎犬”的下标，它是一种“猎犬”，它是一种“狗”，它是“犬”等。大多数分类方法假设标签为扁平结构，但是对于组合数据集，结构正是我们需要的。

  WordNet的结构是有向图，而不是树，因为语言是复杂的。例如，“狗”既是“犬”，也是WordNet中同义词的“家畜”类型。为了不使用完整的图形结构，我们通过从ImageNet中的概念构建层次树来简化问题。

  为了构建这个树，我们检查ImageNet中的视觉名词，并通过WordNet图查看他们的路径到根节点，在这种情况下是“物理对象”。许多synsets只有一条通过图形的路径，所以首先我们将所有这些路径添加到我们的树中。然后，我们迭代地检查我们剩下的概念，并尽可能少地添加树生长的路径。因此，如果一个概念有两条路径到根，一条路径将添加三个边缘到我们的树，另一个只添加一个边，我们选择较短的路径。

  最终的结果是视觉概念的层次模型WordTree。为了使用WordTree执行分类，我们预测每个节点的条件概率，在给定该synset时，该synset的每个下位词的概率。例如，在“梗”节点，我们预测：

                                                            Pr(Norfolk terrier|terrier)

                                                            Pr(Yorkshire terrier|terrier)

                                                            Pr(Bedlington terrier|terrier)
                                                                                                ...

  如果我们要计算一个特定节点的绝对概率，那么我们只需要找到该节点通向根的路径，然后将路径上的条件概率相乘即可。所以如果我们想知道图片是否是诺福克犬，我们计算：

                     Pr(Norfolk terrier) = Pr(Norfolk terrier|terrier)
                                Pr(terrier|hunting dog)
                                               *...*
                                *Pr(mammal|Pr(animal)
                                *Pr(animal|physical object)

为了分类，我们假设图像包含一个对象：Pr（physical  object）= 1。

  为了验证这种方法，我们使用1000类ImageNet构建的WordTree训练Darknet-19模型。为了构建WordTree1k，我们添加所有的中间节点，将标签空间从1000扩展到1369.在训练中，我们将树上的真实标签传播到树上，以便如果一个图像被标记为“诺福克犬”，它也被标记为“狗”和“哺乳动物”等。为了计算条件概率，我们的模型预测了1369个值的向量，并且我们计算相同概念下的所有的softmax，参见图5。

  使用与以前相同的训练参数，我们的分级Darknet-19实现了71.9％的top-1精度和90.4％的top-5精度。尽管增加了369个附加概念，并让我们的网络预测了一个树状结构，但是我们的准确性只会略有下降。以这种方式进行分类也有一些好处。性能会在新的或未知的对象类别上正常地降级。例如，如果网络看到一只狗的图片，但是不确定它是什么类型的狗，它仍然会以高度的信心预测“狗”，但是在子类上的置信度会变低。

  该方程也适用于检测。现在，我们使用YOLOv2给出Pr的值，而不是假设每个图像都有一个对象。检测器预测了一个边界框和概率树。我们遍历树，在每个分裂处采取最高的置信路径，直到达到一定的阈值，然后预测该对象所属类。

Dataset combination with wordtree:

  我们使用WordTree以合理的方式将多个数据集合在一起。我们简单地将数据集中的类别映射到树中的synsets。图6显示了使用WordTree组合来自ImageNet和COCO的标签的示例。WordNet是非常多样化的，所以我们可以在大多数数据集上使用它。

Joint classification and detection:

  现在我们可以使用WordTree组合数据集，我们可以训练分类和检测联合模型。我们想训练一个超大规模的检测器，因此我们使用COCO检测数据集和完整ImageNet版本的前9000个类创建了我们的组合数据集。我们还需要评估我们的方法，所以我们从ImageNet检测挑战中添加任何尚未包含的类。对于该数据集的WordTree具有9418个类。ImageNet是一个更大的数据集，所以我们通过对COCO进行过采样来平衡数据集，使得ImageNet只有4：1的倍数。

  使用这个数据集来训练YOLO9000。我们使用基本的YOLOv2架构，但只有3个优先级来限制输出大小而不是5个。当我们的网络看到一个检测图像时，我们正常地反向传播损失。对于分类损失，我们只能反向传播标签上相应级别以上的损失。例如，如果标签是“狗”，我们会在树中进一步降低预测值“德国牧羊犬”与“金毛猎犬”的差异，因为我们没有这些信息。

  当它看到分类图像时，我们只是反向传播分类损失。为了做到这一点，我们只需找到一个预测该类最高概率的边界框，并计算其预测树上的损失。我们还假设预测的框重叠至少为0.3 IOU的ground truth标签，并且我们基于这个假设反向传播目标损失。

  使用这种联合训练，YOLO9000利用COCO中的检测数据来实现图像中目标检测，使用ImageNet中的数据对这些目标进行分类。

  我们在ImageNet检测任务上评估YOLO9000。ImageNet在44个对象类别上与COCO共享检测任务，这意味着YOLO9000只能看到大多数测试图像的分类数据，而不是检测数据。YOLO9000在不相交的156个对象类上总共获得19.7 mAP，从未见过任何标记的检测数据上获得了16.0 mAP。该MAP高于DPM实现的结果，但YOLO9000仅在部分监督下对不同数据集进行了训练[4]。它还能同时实时的检测9000类目标。

  当我们分析YOLO9000在ImageNet上的表现时，我们看到它学习动物的新物种能力很好，但是与学习类别（如服装和设备）却不是很好。新的动物更容易学习，因为对象的预测从COCO的动物得到广泛的推广。相反，COCO对于任何类型的服装都没有限制的边框，仅供人使用，所以YOLO9000正在努力模拟“太阳眼镜”或“游泳裤”等类别。

5.总结

  我们介绍YOLOv2和YOLO9000的实时检测系统。从与其他检测系统在各种检测数据集上比较可知，YOLOv2是最先进和最快速的。此外，它可以以适应各种图像尺度，以提供速度和精度之间的平滑折衷。

  YOLO9000通过联合优化检测和分类来检测超过9000个对象类别的实时框架。我们使用WordTree将来自各种来源的数据和我们的联合优化技术组合在ImageNet和COCO上同时进行训练。YOLO9000在拉近检测和分类之间的数据集差异方面，迈出了强有力的一步。

  我们的许多技术在对象检测之外推广。我们的WordTree表示ImageNet为图像分类提供了更丰富，更详细的输出空间。使用层次分类的数据集合在分类和分割域中将是有用的。多尺度训练技术可以为各种视觉任务提供益处。

  对于未来的工作，我们希望使用类似的技术来进行弱监督的图像分割。我们还计划使用更强大的匹配策略来提升我们的检测结果，将弱标签分配给训练期间的分类数据。计算机视觉拥有大量标签数据。我们将继续寻找方法，将不同的数据源和结构结合在一起，从而形成更强大的世界视觉模型。

References

[1] S. Bell, C. L. Zitnick, K. Bala, and R. Girshick. Insideoutsidenet: Detecting objects in context with skip pooling and recurrent neural networks. arXiv preprint
arXiv:1512.04143, 2015. 6
[2] J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei-Fei. Imagenet: A large-scale hierarchical image database.In Computer Vision and Pattern Recognition, 2009. CVPR2009. IEEE Conference on, pages 248–255. IEEE, 2009. 1
[3] M. Everingham, L. Van Gool, C. K. Williams, J. Winn, and A. Zisserman. The pascal visual object classes (voc) challenge.International journal of computer vision, 88(2):303–338, 2010. 1
[4] P. F. Felzenszwalb, R. B. Girshick, and D. McAllester.Discriminatively trained deformable part models, release 4.http://people.cs.uchicago.edu/ pff/latent-release4/. 8

[5] R. B. Girshick. Fast R-CNN. CoRR, abs/1504.08083, 2015.5, 6
[6] K. He, X. Zhang, S. Ren, and J. Sun. Deep residual learningfor image recognition. arXiv preprint arXiv:1512.03385,2015. 2, 5, 6
[7] S. Ioffe and C. Szegedy. Batch normalization: Accelerating deep network training by reducing internal covariate shift.arXiv preprint arXiv:1502.03167, 2015. 2, 5
[8] A. Krizhevsky, I. Sutskever, and G. E. Hinton. Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems, pages1097–1105, 2012. 2
[9] M. Lin, Q. Chen, and S. Yan. Network in network. arXiv preprint arXiv:1312.4400, 2013. 5

[10] T.-Y. Lin, M. Maire, S. Belongie, J. Hays, P. Perona, D. Ramanan,
P. Doll´ar, and C. L. Zitnick. Microsoft coco: Common objects in context. In European Conference on Computer Vision, pages 740–755. Springer, 2014. 1, 6
[11] W. Liu, D. Anguelov, D. Erhan, C. Szegedy, and S. E. Reed.SSD: single shot multibox detector. CoRR, abs/1512.02325,2015. 5, 6
[12] G. A. Miller, R. Beckwith, C. Fellbaum, D. Gross, and K. J.Miller. Introduction to wordnet: An on-line lexical database.International journal of lexicography, 3(4):235–244, 1990.6
[13] J. Redmon. Darknet: Open source neural networks in c.http://pjreddie.com/darknet/, 2013–2016. 5

[14] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi. You only look once: Unified, real-time object detection. arXiv preprint arXiv:1506.02640, 2015. 5, 6
[15] S. Ren, K. He, R. Girshick, and J. Sun. Faster r-cnn: Towards real-time object detection with region proposal networks.arXiv preprint arXiv:1506.01497, 2015. 2, 3, 5, 6
[16] O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh,S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein,A. C. Berg, and L. Fei-Fei. ImageNet Large Scale Visual
Recognition Challenge. International Journal of Computer Vision (IJCV), 2015. 2
[17] K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556, 2014. 2, 4

[18] C. Szegedy, S. Ioffe, and V. Vanhoucke. Inception-v4,inception-resnet and the impact of residual connections on learning. CoRR, abs/1602.07261, 2016. 2
[19] C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed,D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich.Going deeper with convolutions. CoRR, abs/1409.4842,2014. 4
[20] B. Thomee, D. A. Shamma, G. Friedland, B. Elizalde, K. Ni,D. Poland, D. Borth, and L.-J. Li. Yfcc100m: The new data in multimedia research. Communications of the ACM,59(2):64–73, 2016. 1