“2019年最遗憾的事，便是离开希腊时，错过了与Stella说再见的机会。如此伤心，也因为我没信心还能与她再见。这让我记起那些，只是错过了某些时机，便再没相见的朋友。想到这里，不免心酸。”

Stella生在雅典长在雅典，又在COCO-MAT工作过，自然是最合适的地接人选

6月结束希腊的行程，8月又离开了北京，如今我已到了完全陌生的法国南特。

当一切从零开始，我似乎也得了空闲，有心思审视前半年所发生的一切。

从熟悉的地方抽离，重新掂量了雅典与北京在自己心中的分量，甚至发现了其中的一些联系。于是，听着Falling From Grace，我重新拾起在希腊与COCO-MAT一起的那段时光。

COCO-MAT想要引领怎样的生活？

诚实，负责，热情好客——COCO-MAT希望每个人过得简单而快乐。

有时，幸福需要一顿健康的早餐，富含蛋白质与维生素；有时，幸福需要一次日常的骑行，沿途有不俗的风景；有时，幸福需要我们张开双臂，或是在嘴角挂起微笑……

●○○○

COCO-MAT采用什么材质？

棉花、椰果、海草、木材、桉树叶、天然乳胶、马鬃、亚麻、鹅绒、羊毛、仙人掌、薰衣草

在人类文明尚未出现的时候，茂盛的丛林，雾气朦胧的河流，万物沐浴在阳光中，日晖、暖融给予着生命最大的幸福。没有科技与人工干预之时，自然本就是最 美的 样子。如今COCO-MAT正在用这些最天然的材料，小心呵护着卧室中的愉悦与安全。

○●○○

我们适应 床垫 ？还是床垫适应我们？

最了解正确还是错误的，正是我们的身体。COCO-MAT开发了可适应任何形体的高弹性床垫，每种产品内部均由多层天然材料堆叠，不使用任何金属弹簧。较硬的椰子纤维提供了大部分支撑，而较软的天然乳胶层则可跟随身形变化，拥抱人体的每条曲线。

COCO-MAT不愿让身体适应床垫，而是让床垫最大程度地，尊重身体。

○○●○

床垫品牌为何做酒店业务？

自1989年创立以来，以天然材料手工制作床垫的COCO-MAT衍生出各类产品，成为有综合竞争力的家居品牌。

2012年，COCO-MAT启动酒店业务。一方面，与同样尊重自然的酒店合作，让住客体验到天然的好产品；另一方面，他们也经营起了「自己」的酒店。这里遵循着「守护自然与健康」的理念，且每一家酒店都具有独特性，绝非千篇一律。

○○○●

迷

失

Ⅰ

这场由北京飞往雅典的旅程，由希腊国宝级床垫品牌COCO-MAT在中国的合作伙伴科唛组织成行。浩浩荡荡一行人，横跨了设计、家居、文旅、媒体多个行业。

希腊行的目的于这群人而言，外表上也还算体面而统一，但小聊一下便可知，其实「各怀鬼胎」。

有只要吃喝 开心 、风景秀丽就满足的「游人」，有想要多多了解希腊与COCO-MAT的「学者」，有想要深入了解设计师的「工作狂」……

而我，则是那个自认已了解COCO-MAT，却愁于不知能否在旅行中找到新的灵感与角度，写出不令人失望游记的「观望者」。

就这样，我们揣着各自的小心思，开始了这场旅行。

Ⅱ

大概是2017年的这个时候，我们认识了COCO-MAT。当时青舍与COCO-MAT希腊创始人Paul Efmorfidis在北京相遇。谁知，见面的第一天就骑行了十几公里，这也让我们一下从「与人相遇」变成了「与品牌相知」。

自那时结下缘分后，我们也在各类报道中，无数次写到这位好友。这也是为什么，这篇游记我写起来尤其竭尽心力，也尤其头疼的原因——没人想要重复过去，我们都想要再往前一步。

☀ 12:28 PM，Vari

☀13:00 PM，Vouliagmeni

☀11:03 AM，Kalivia Thorikou

无论内心是否藏着忐忑，当我迈上希腊这片土地的那个瞬间，还是从工作中走了神儿。我边走边记录着希腊的天空——云彩很高，很偶尔的时候，才因为水汽很重而出现大朵大朵连成一片的低云。

万万没想到，扛过了赤道边的菲律宾、泰国的太阳，我却彻底输给了希腊的艳阳。回国时，阴影笔成了高光笔——皮肤早已深了三个色号。或许希腊就是有这样的魅力，吸引你完整的暴露在阳光中享受温暖，什么黑了白了，都不若眼前景色美得透彻。

Ⅲ

这并不是COCO-MAT中国区合作伙伴、科唛主理人王秋华第一次来希腊总部了，他与这里早已密不可分。但我们也看得出来，决定在北京开辟COCO-MAT酒店业务后的这第一次希腊总部之行，对他而言总有些道不清的压力。

家居品牌依赖传统家居卖场开店的形式，仍旧是目前的业界主流，但随着品牌业态的逐步扩充，消费人群体验欲望的增大，传统卖场渐渐无法满足所有人的诉求了。

早年修习建筑的秋华总，对于理想的家与生活，有着独立的思考，在国内市场摸爬多年，也始终没放弃过自己的坚持。也正因此，在王秋华手中的COCO-MAT，从未走进传统家居销售场景，更多出现在Shopping Mall中。

生活节奏之快，人心之浮动，常常让城市中的主流思想「误入歧途」，能排几个小时队买奶茶的人，为何不愿花时间为自己选张床垫？这有时也成了让买卖双方都百思不得其解的问题。

所以，秋华总越来越希望，COCO-MAT的店面能跳出传统模式，找到自己最恰当的存在，更让消费者能体验到舒服、放松与安心。

或许有一日，它会成为一个拥有综合功能并崇尚自然的空间——能买、能吃、能玩，甚至能健身、能娱乐，且这一切，都要以健康 环保 为基础，处处透着草木阳光的味道。

只是，那个完美的商业环境哪里有那么好寻觅。秋华总想寻觅一个完美「乌托邦」却求而不得，于是他为了不被资本裹挟，不委曲求全，就在不间断的努力中，生出了一个惊人的念头来——寻个「乌托邦」若不可行，那就建个「乌托邦」吧。

Ⅳ

还记得儿时的动画片「魔方大厦」，原以为是一个小小的魔方，谁知摔出窗外竟变成一栋光怪陆离的大厦。而在国内打造一个COCO-MAT酒店这个念头，初起在我心中便如同「魔方大厦」般，体量自外看并不大，探索起来才发觉其中玄妙。

阳光、绿植、COCO-MAT……秋华总对于这个正在筹划中的酒店的想像与要求愈发具象。

这里与睡眠体验相关的一切产品，目之所及的大部分家居产品，甚至健身房中的运动器材，均来自COCO-MAT。餐食、饮料也取材自然，不仅复刻了希腊风味，还将与北京应季的蔬果进行了结合。

酒店里，还有一间COCO-MAT商店，大到床垫、 沙发 、床具，小到拖鞋、毛巾、绿植一应俱全，可随时买走。

找

寻

Ⅰ

这一行，我们主要体验了四间COCO-MAT酒店——

COCO-MAT Athens BC

COCO-MAT Athens Jumelle

COCO-MAT Eco Residences Serifos

COCO-MAT Hotel Nafsika

他们虽拥有决然不同的风格

却因「自然」被紧紧串联在一起

COCO-MAT Athens BC

位于雅典市中心的COCO-MAT Athens BC酒店是这里最高的现代建筑之一。出于对“几步之遥”的卫城博物馆的尊重，它采用天然材料建造。据说，当时还发现了海龟纹样的古硬币

酒店将部分遗址留了下来，还在入口处以海龟为素材做了与这个古老街区相配的装置

被房间所环绕的中庭里，海鸟们定时煽动翅膀，沿着螺旋向上的轨迹飞翔

坐卧在天台上，一旁的“卫城”像被一只大手托举到我们眼前。不论白天黑夜，天台都是这里最热门的休憩地

COCO-MAT Athens Jumelle

COCO-MAT Athens Jumelle酒店位于雅典最热门的马尔马洛区，自这里步行可达的希腊国家公园，是我们这一行的最爱

这栋公寓楼1935年全面翻新，在古 罗马 巴西利卡式的基础上，融合东方艺术，是典型拜占庭风格的建筑

这里与 其他 COCO-MAT酒店相比，貌似少了点自然，多了些时髦。但细细追究原来这些低调优雅均以自然打底。 楼梯 改造时，就保留了一半原来的材料，修旧如新，既环保又够味儿

天然材料、微妙色调、原始表面、醒目的装饰，每间客房都被精心设计过

楼顶墙绘与雅典天空的云朵实在相配，在这里用餐，时间会在不知不觉间溜走

COCO-MAT Hotel Nafsika

被草木环植的COCO-MAT Hotel Nafsika，位于雅典美丽的郊区Kifissia。这里是人们休憩、娱乐、热烈拥抱自然的地方。而与每间卧室相连的宽敞阳台，更让我们对Kifissia的美景流连

「绿色」几乎成了这里每家每户都必备的精神食粮

夜晚舒适的COCO-MAT睡眠系统与晨起后营养好味的丰盛早餐搭配，让人既期待熟睡，又期待醒来

COCO-MAT Eco Residences Serifos

从雅典出发，乘轮渡约2小时到达Serifos岛，这里散发出的宁静，与COCO-MAT的味道相得益彰

酒店所属的私人沙滩，曾是一个小港口，此时用于停靠船只的石板已被海水打磨得光滑无比

COCO-MAT用对生态友好的自然材料，给1900年的矿工房来了次「复兴」

希腊著名建筑师George Zafiriou在为曾经的矿工居住区注入新生命时，融合了当地的传统建筑元素、工业氛围与自然风光

岛上被白蓝两色占据，小镇和村庄中充满了典型的基克拉底传统建筑。游泳、潜水、爬山、骑行，住在这里小心迷失自己

Ⅱ

「自然」二字的释义很多，无修饰、纯天然、不局促、不呆板不知是不是走火入魔，如今见到与「自然」相关的任何字眼，总会潜意识与COCO-MAT联想在一起。

COCO-MAT的现任CEOMike Evmorfidis

这次，我们还与COCO-MAT的现任CEO Mike Evmorfidis相遇。Mike 与两年前和我们一同骑行的Paul可是真的兄弟，不过他们虽面容相似，但气质却全然不同。如果说Paul是COCO-MAT「火」一样的灵魂核心，那Mike则更像是助力COCO-MAT稳步前行的幕后推手。

COCO-MAT创始人 Paul Evmorfidis

在与Mike闲聊时，我们总想从他那里多听些COCO-MAT与希腊的联系，但他却不曾对所谓的「希腊味」夸夸其谈。不想教导谁，更不想科普什么，在Mike心中COCO-MAT并非是谁的引领者，而是那个安静的陪伴与守护者。

“与自然一样”，他这样说道。

如自然二字的释义，COCO-MAT所鼓励、所期待的，是一种「放松而不局促」的生活状态，是一种「亲近大自然」的空间氛围，以及一种「做自己」的生活态度。

RELAX、NATURE、ME，这三者无分先后，无论轻重，如何排列组合MIke准备听大家的。

Ⅲ

原本猜测Mike会将COCO-MAT与希腊「捆绑销售」，但显然，对于拥有足够文化自信的希腊人而言，强调历史与文化，不如直接将它们融入生活来得实在。

COCO-MAT最关心的，从来不是「希腊」二字是否成为了自己的标签，而是这种崇尚自然与回归本我的状态，能否真的走进每个人心中。

想来，这也是秋华总有信心将COCO-MAT酒店带到国内的原因之一吧。「自然」本就没有国界，只要唤醒大家对于自然的渴望，就足以让不同国籍的人对其产生共鸣了。

突然想起COCO-MAT酒店大厅中摆放的那些餐食、蔬果，如同家人提前为你备下的小食一般亲切。“甭客气，跟在自己家一样”这句话，在这儿也妥妥行得通。

相

通

Ⅰ

我不知道用笑靥如花来形容Stella，会不会有损她的异国气质，但留在我心里久久抹不掉的正是她的笑颜。

当大家顶着艳阳走在国家公园，当我们流着汗骑着木头单车在雅典穿行……不管是手忙脚乱时，还是游刃有余时，她永远都是一副笑笑的样子。

有时很难想像，这样一个希腊**姐和我到底有着多大的文化差异，但有趣的是，我们竟然一样喜欢单车，一样喜欢大海，一样喜欢夸奖好看的姑娘。

北京与雅典，760969公里，的确挺远，但来到这儿，我却并未感到陌生。

或许是从哥本哈根直奔雅典，一下从北欧人身高的压迫感里解脱出来的那种舒适感；又或许是看到飞机上直接脱光光换衣服的希腊小哥，光脚走来走去的希腊姑娘，瞬间想起四九城里露着肚皮乘凉的北京爷们顿感亲切。

总之，北京-希腊，希腊-北京，那无视别人目光，追求自然，不拘着的状态，真是一模一样。

Ⅱ

身处地中海气候的这座城市，并不湿润。海水不少，一面绿地一面砂石的景色也遍地皆是，而当我们一点点接近市中心，楼宇缓缓探出身来，那破败与老旧的墙体外立面，以及其中向人微笑的小花，无不令我想念起远方的北京。

从小在先农坛边上长大，日日盯着古建筑博物馆的我，早已对传统的明清建筑失去了新鲜感，而一样「穿梭于古今」的雅典人，亦是如此。

谈及古建，大家眼神中流露出的更多是习惯。

对于彼此的历史、建筑，我们互看时觉得新奇，对视时又产生了共鸣，就连坐在一起说英国人「坏话」的时候，竟也十分合得来。

Ⅲ

当地人与「遗憾」相处的样子，我记得很深。那种与自然、历史、甚至裂痕相处的样子，是最熟悉的味道。

希腊雕塑中残缺的「遗憾」，丝毫没有影响人们对它的喜爱，若无法修旧如旧，破败的样子也十分迷人。

这让我想起八个月前北京的那场大雪，当看到胡同里葫芦架子上缠绕的各种手工作品时，我会心一笑。是啊，如若所有胡同都换上新妆，我们不能再与「遗憾」相处，那才真是永远的遗憾吧。

正是这些相通之处，也让我们更期待COCO-MAT酒店在北京落成的那刻，希腊味加中国味，雅典味加北京味，一定不赖。

END

文字&视频 / 刘亚言 主编 / 王哥

摄影 / 大地野食蘑菇 青舍 设计 / 路老

以上稿件均为青舍QingHouse专属写手原创采写制作

拒 绝 转 载 ， 欢 迎 转 发

微信ID：QingHouse813

长按指纹识别二维码关注

https://blogcsdnnet/Gentleman_Qin/article/details/84349144

|声明：遵循CC 40 BY-SA版权协议

    建立在YOLOv1的基础上，经过Joseph Redmon等的改进，YOLOv2和YOLO9000算法在2017年CVPR上被提出，并获得最佳论文提名，重点解决YOLOv1召回率和定位精度方面的误差。在提出时，YOLOv2在多种监测数据集中都要快过其他检测系统，并可以在速度与精确度上进行权衡。

    YOLOv2采用Darknet-19作为特征提取网络，增加了批量标准化（Batch Normalization）的预处理，并使用224×224和448×448两阶段训练ImageNet，得到预训练模型后fine-tuning。

    相比于YOLOv1是利用FC层直接预测Bounding Box的坐标，YOLOv2借鉴了FSR-CNN的思想，引入Anchor机制，利用K-Means聚类的方式在训练集中聚类计算出更好的Anchor模板，在卷积层使用Anchor Boxes操作，增加Region Proposal的预测，同时采用较强约束的定位方法，大大提高算法召回率。同时结合图像细粒度特征，将浅层特征与深层特征相连，有助于对小尺寸目标的检测。 

    下图所示是YOLOv2采取的各项改进带了的检测性能上的提升：

    YOLO9000 的主要检测网络也是YOLO v2，同时使用WordTree来混合来自不同的资源的训练数据，并使用联合优化技术同时在ImageNet和COCO数据集上进行训练，目的是利用数量较大的分类数据集来帮助训练检测模型，因此，YOLO 9000的网络结构允许实时地检测超过9000种物体分类，进一步缩小了检测数据集与分类数据集之间的大小代沟。

    下面将具体分析YOLOv2的各个创新点:

BN概述：

    对数据进行预处理（统一格式、均衡化、去噪等）能够大大提高训练速度，提升训练效果。BN正是基于这个假设的实践，对每一层输入的数据进行加工。

    BN是2015年Google研究员在论文《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》一文中提出的，同时也将BN应用到了2014年的GoogLeNet上，也就是Inception-v2。

    BN层简单讲就是对网络的每一层的输入都做了归一化，这样网络就不需要每层都去学数据的分布，收敛会更快。YOLOv1算法（采用的是GoogleNet网络提取特征）是没有BN层的，而在YOLOv2中作者为每个卷积层都添加了BN层。

    使用BN对网络进行优化，让网络提高了收敛性，同时还消除了对其他形式的正则化（regularization）的依赖，因此使用BN后可以从模型中去掉Dropout，而不会产生过拟合。

BN优点：

神经网络每层输入的分布总是发生变化，加入BN，通过标准化上层输出，均衡输入数据分布，加快训练速度，因此可以设置较大的学习率（Learning Rate）和衰减（Decay）；

通过标准化输入，降低激活函数（Activation Function）在特定输入区间达到饱和状态的概率，避免梯度弥散（Gradient Vanishing）问题；

输入标准化对应样本正则化，BN在一定程度上可以替代 Dropout解决过拟合问题。

BN算法：

    在卷积或池化之后，激活函数之前，对每个数据输出进行标准化，方式如下图所示：

    公式很简单，前三行是 Batch内数据归一化（假设一个Batch中有每个数据），同一Batch内数据近似代表了整体训练数据。第四行引入了附加参数 γ 和 β，此二者的取值算法可以参考BN论文，在此不再赘述。

    fine-tuning：用已经训练好的模型，加上自己的数据集，来训练新的模型。即使用别人的模型的前几层，来提取浅层特征，而非完全重新训练模型，从而提高效率。一般新训练模型准确率都会从很低的值开始慢慢上升，但是fine-tuning能够让我们在比较少的迭代次数之后得到一个比较好的效果。

    YOLO模型分为两部分，分类模型和检测模型，前者使用在ImageNet上预训练好的模型，后者在检测数据集上fine-tuning。

    YOLOv1在预训练时采用的是224224的输入（在ImageNet数据集上进行），然后在检测的时候采用448448的输入，这会导致从分类模型切换到检测模型的时候，模型还要适应图像分辨率的改变。

    YOLOv2则将预训练分成两步：先用224224的输入在ImageNet数据集训练分类网络，大概160个epoch（将所有训练数据循环跑160次）后将输入调整到448448，再训练10个epoch（这两步都是在ImageNet数据集上操作）。然后利用预训练得到的模型在检测数据集上fine-tuning。这样训练得到的模型，在检测时用448448的图像作为输入可以顺利检测。

    YOLOv1将输入图像分成77的网格，每个网格预测2个Bounding Box，因此一共有98个Box，同时YOLOv1包含有全连接层，从而能直接预测Bounding Boxes的坐标值，但也导致丢失较多的空间信息，定位不准。

    YOLOv2首先将YOLOv1网络的FC层和最后一个Pooling层去掉，使得最后的卷积层可以有更高分辨率的特征，然后缩减网络，用416416大小的输入代替原来的448448，使得网络输出的特征图有奇数大小的宽和高，进而使得每个特征图在划分单元格（Cell）的时候只有一个中心单元格（Center Cell）。

    为什么希望只有一个中心单元格呢？由于中的物体都倾向于出现在的中心位置，特别是比较大的物体，所以有一个单元格单独位于物体中心的位置用于预测这些物体。

    YOLOv2通过引入Anchor Boxes，通过预测Anchor Box的偏移值与置信度，而不是直接预测坐标值。YOLOv2的卷积层采用32这个值来下采样，所以通过选择416416用作输入尺寸最终能输出一个1313的特征图。若采用FSRCNN中的方式，每个Cell可预测出9个Anchor Box，共13139=1521个（YOLOv2确定Anchor Boxes的方法见是维度聚类，每个Cell选择5个Anchor Box）。

    在FSRCNN中，以一个5139大小的特征图为例，其可以看做一个尺度为5139的图像，对于该图像的每一个位置，考虑9个可能的候选窗口：3种面积3种比例。这些候选窗口称为Anchor Boxes。下图示出的是5139个Anchor Box中心，以及9种Anchor Box示例。

YOLOv1和YOLOv2特征图数据结构：

YOLOv1：SS (B5 + C) => 77（25+20）

    其中B对应Box数量，5对应边界框的定位信息（w,y,w,h）和边界框置信度（Confidience）。分辨率是77，每个Cell预测2个Box，这2个Box共用1套条件类别概率（120）。

YOLOv2：SSK (5 + C) => 13139（5+20）

    分辨率提升至1313，对小目标适应性更好，借鉴了FSRCNN的思想，每个Cell对应K个Anchor box（YOLOv2中K=5），每个Anchor box对应1组条件类别概率（120）。

    聚类：聚类是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。即在没有划分类别的情况下，根据数据相似度进行样本分组。

    在FSR-CNN中Anchor Box的大小和比例是按经验设定的，然后网络会在训练过程中调整Anchor Box的尺寸，最终得到准确的Anchor Boxes。若一开始就选择了更好的、更有代表性的先验Anchor Boxes，那么网络就更容易学到准确的预测位置。

    YOLOv2使用K-means聚类方法类训练Bounding Boxes，可以自动找到更好的宽高维度的值用于一开始的初始化。传统的K-means聚类方法使用的是欧氏距离函数，意味着较大的Anchor Boxes会比较小的Anchor Boxes产生更多的错误，聚类结果可能会偏离。由于聚类目的是确定更精准的初始Anchor Box参数，即提高IOU值，这应与Box大小无关，因此YOLOv2采用IOU值为评判标准，即K-means 采用的距离函数（度量标准） 为：

d(box,centroid) = 1 - IOU(box,centroid)

    如下图，左边是聚类的簇个数和IOU的关系，两条曲线分别代表两个不同的数据集。分析聚类结果并权衡模型复杂度与IOU值后，YOLOv2选择K=5，即选择了5种大小的Box 维度来进行定位预测。

    其中紫色和灰色也是分别表示两个不同的数据集，可以看出其基本形状是类似的。更重要的是，可以看出聚类的结果和手动设置的Anchor Box位置和大小差别显著——结果中扁长的框较少，而瘦高的框更多（更符合行人的特征）。

    YOLOv2采用的5种Anchor的Avg IOU是61，而采用9种Anchor Boxes的Faster RCNN的Avg IOU是609，也就是说本文仅选取5种box就能达到Faster RCNN的9中box的效果。选择值为9的时候，AVG IOU更有显著提高。说明K-means方法的生成的boxes更具有代表性。

    直接对Bounding Boxes求回归会导致模型不稳定，其中心点可能会出现在图像任何位置，有可能导致回归过程震荡，甚至无法收敛，尤其是在最开始的几次迭代的时候。大多数不稳定因素产生自预测Bounding Box的中心坐标（x,y）位置的时候。

    YOLOv2的网络在特征图（1313）的每一个单元格中预测出5个Bounding Boxes（对应5个Anchor Boxes），每个Bounding Box预测出5个值（tx,ty,tw,th,t0），其中前4个是坐标偏移值，t0是置信度结果（类似YOLOv1中的边界框置信度Confidence）。YOLOv2借鉴了如下的预测方式，即当Anchor Box的中心坐标和宽高分别是（xa,ya）和（wa,wh）时，Bounding Box坐标的预测偏移值（tx,ty,tw,th）与其坐标宽高（x,y,w,h）的关系如下：                         

tx = (x-xa)/wa

ty= (y-ya)/ha

tw = log(w/wa)

th = log(h/ha)

    基于这种思想，YOLOv2在预测Bounding Box的位置参数时采用了如下强约束方法：

    上图中，黑色虚线框是Anchor Box，蓝色矩形框就是预测的Bounding Box结果，预测出的Bounding Box的坐标和宽高为（bx,by）和（bw,bh），计算方式如图中所示，其中：对每个Bounding Box预测出5个值（tx,ty,tw,th,t0），Cell与图像左上角的横纵坐标距离为（cx,cy），σ定义为sigmoid激活函数（将函数值约束到［0,1］），该Cell对应的Anchor Box对应的宽高为（pw,ph）。

    简而言之，（bx,by）就是（cx,cy）这个Cell附近的Anchor Box针对预测值（tx,ty）得到的Bounding Box的坐标预测结果，同时可以发现这种方式对于较远距离的Bounding Box预测值（tx,ty）能够得到很大的限制。

    YOLOv2通过添加一个转移层，把高分辨率的浅层特征连接到低分辨率的深层特征（把特征堆积在不同Channel中）而后进行融合和检测。具体操作是先获取前层的2626的特征图，将其同最后输出的1313的特征图进行连接，而后输入检测器进行检测（检测器的FC层起到了全局特征融合的作用），以此来提高对小目标的检测能力。    

    为了适应不同尺度下的检测任务，YOLOv2在训练网络时，其在检测数据集上fine-tuning时候采用的输入图像的size是动态变化的。具体来讲，每训练10个Batch，网络就会随机选择另一种size的输入图像。因为YOLOv2用到了参数是32的下采样，因此也采用32的倍数作为输入的size，即采用{320,352,…,608}的输入尺寸（网络会自动改变尺寸，并继续训练的过程）。

这一策略让网络在不同的输入尺寸上都能达到较好的预测效果，使同一网络能在不同分辨率上进行检测。输入较大时，检测速度较慢，输入较小时，检测速度较快，总体上提高了准确率，因此多尺度训练算是在准确率和速度上达到一个平衡。

    上表反映的是在检测时，不同大小的输入情况下的YOLOv2和其他目标检测算法的对比。可以看出通过多尺度训练的检测模型，在测试的时候，输入图像在尺寸变化范围较大的情况下也能取得mAP和FPS的平衡。

    YOLOv1采用的训练网络是GoogleNet，YOLOv2采用了新的分类网络Darknet-19作为基础网络，它使用了较多的33卷积核，并把11的卷积核置于33的卷积核之间，用来压缩特征，同时在每一次池化操作后把通道（Channels）数翻倍（借鉴VGG网络）。

    YOLOv1采用的GooleNet包含24个卷积层和2个全连接层，而Darknet-19包含19个卷积层和5个最大池化层（Max Pooling Layers），后面添加Average Pooling层（代替v1中FC层），而Softmax分类器作为激活被用在网络最后一层，用来进行分类和归一化。

    在ImageNet数据集上进行预训练，主要分两步（采用随机梯度下降法）：

输入图像大小是224224，初始学习率（Learning Rate）为01，训练160个epoch，权值衰减（Weight Decay）为00005，动量（Momentum）为09，同时在训练时采用标准的数据增强（Data Augmentation）方式如随机裁剪、旋转以及色度、亮度的调整。

fine-tuning：第1步结束后，改用448448输入（高分辨率模型），学习率改为0001，训练10个epoch，其他参数不变。结果表明：fine-tuning后的top-1准确率为765%，top-5准确率为933%，若按照原来的训练方式，Darknet-19的top-1准确率是729%，top-5准确率为912%。可以看出，两步分别从网络结构和训练方式方面入手提高了网络分类准确率。

    预训练之后，开始基于检测的数据集再进行fine-tuning。    

    首先，先把最后一个卷积层去掉，然后添加3个33的卷积层，每个卷积层有1024个卷积核，并且后面都连接一个11的卷积层，卷积核个数（特征维度）根据需要检测的类数量决定。（比如对VOC数据，每个Cell需要预测5个Boungding Box，每个Bounding Box有4个坐标值、1个置信度值和20个条件类别概率值，所以每个单元格对应125个数据，此时卷积核个数应该取125。）

    然后，将最后一个33512的卷积层和倒数第2个卷积层相连（提取细粒度特征），最后在检测数据集上fine-tuning预训练模型160个epoch，学习率采用0001，并且在第60和90个epoch的时候将学习率除以10，权值衰减、动量和数据增强方法与预训练相同。

    YOLO9000通过结合分类和检测数据集，使得训练得到的模型可以检测约9000类物体，利用带标注的分类数据集量比较大的特点，解决了带标注的检测数据集量比较少的问题。具体方法是：一方面采用WordTree融合数据集，另一方面联合训练分类数据集和检测数据集。

    分类数据集和检测数据集存在较大差别：检测数据集只有粗粒度的标记信息，如“猫”、“狗”，而分类数据集的标签信息则更细粒度，更丰富。比如“狗”就包括“哈士奇”、“金毛狗”等等。所以如果想同时在检测数据集与分类数据集上进行训练，那么就要用一种一致性的方法融合这些标签信息。

    用于分类的方法，常用Softmax（比如v2），Softmax意味着分类的类别之间要互相独立的，而ImageNet和COCO这两种数据集之间的分类信息不相互独立（ImageNet对应分类有9000种，而COCO仅提供80种目标检测），所以使用一种多标签模型来混合数据集，即假定一张可以有多个标签，并且不要求标签之间独立，而后进行Softmax分类。

    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WordTree）：

遍历ImageNet的标签，然后在WordNet中寻找该标签到根节点(所有的根节点为实体对象)的路径；

如果路径只有一条，将该路径直接加入到WordTree结构中；

否则，从可选路径中选择一条最短路径，加入到WordTree结构中。

WordTree的作用就在于将两种数据集按照层级进行结合。

    如此，在WordTree的某个节点上就可以计算该节点的一些条件概率值，比如在terrier这个节点，可以得到如下条件概率值：

    进而，如果要预测此节点的概率（即中目标是Norfolk terrier的概率），可以根据WordTree将该节点到根节点的条件概率依次相乘得到，如下式：

其中：        

    YOLO9000在WordTree1k（用有1000类别的ImageNet1k创建）上训练了Darknet-19模型。为了创建WordTree1k作者添加了很多中间节点（中间词汇），把标签由1000扩展到1369。

    训练过程中GroundTruth标签要顺着向根节点的路径传播：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”是同一概念下的所属词。

    现在一张是多标记的，标记之间不需要相互独立。在训练过程中，如果有一个的标签是“Norfolk terrier”，那么这个还会获得“狗”以及“哺乳动物”等标签。

    如上图所示，之前的ImageNet分类是使用一个大Softmax进行分类，而现在WordTree只需要对同一概念下的同义词进行Softmax分类。然后作者分别两个数据集上用相同训练方法训练Darknet-19模型，最后在ImageNet数据集上的top-1准确率为729%，top-5准确率为912%；在WordTree数据集上的top-1准确率为719%，top-5准确率为904%。

    这种方法的好处是有“退而求其次”的余地：在对未知或者新的物体进行分类时，性能损失更低，比如看到一个狗的照片，但不知道是哪种种类的狗，那么就预测其为“狗”。

    以上是构造WordTree的原理，下图是融合COCO数据集和ImageNet数据集以及生成它们的WordTree的示意图（用颜色区分了COCO数据集和ImageNet数据集的标签节点）， 混合后的数据集对应的WordTree有9418个类。另一方面，由于ImageNet数据集太大，YOLO9000为了平衡两个数据集之间的数据量，通过过采样（Oversampling）COCO数据集中的数据，使COCO数据集与ImageNet数据集之间的数据量比例达到1：4。

    对YOLO9000进行评估，发现其mAP比DPM高，而且YOLO有更多先进的特征，YOLO9000是用部分监督的方式在不同训练集上进行训练，同时还能检测9000个物体类别，并保证实时运行。虽然YOLO9000对动物的识别性能很好，但是对衣服或者装备的识别性能不是很好（这跟数据集的数据组成有关）。

    YOLO9000的网络结构和YOLOv2类似，区别是每个单元格只采用3个Anchor Boxes。

    YOLO9000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，即使用检测数据集（COCO）的去学习检测相关的信息即查找对象（例如预测边界框坐标、边界框是否包含目标及目标属于各个类别的概率），使用仅有类别标签的分类数据集（ImageNet）中的去扩展检测到的对象的可识别种类。

    具体方法是：当网络遇到一个来自检测数据集的与标记信息，就把这些数据用完整的损失函数（v2和9000均沿用了v1网络的损失函数）反向传播，而当网络遇到一个来自分类数据集的和分类标记信息，只用代表分类误差部分的损失函数反向传播这个。

    YOLO v2 在大尺寸上能够实现高精度，在小尺寸上运行更快，可以说在速度和精度上达到了平衡，具体性能表现如下所示。

coco数据集

voc2012数据集

网盘链接：http://panbaiducom/wap/linkuk=3120978142&shareid=3175293915&third=0

你好

以上就是您要的书的网盘地址 您可以复制链接进行下载。

如果链接失效请及时追问，并直接留下邮箱地址，只留数字就可以了。我会及时给您发送。

满意采纳哦！

香奈儿255可以说是经典中的经典了，一直是香奈儿最火的一款，这么多年了还是很流行。下面我来教教大家香奈儿255包尺寸怎么选？一起来看看chanel255包尺寸对照表。

香奈儿255尺寸怎么选

也许有些人一生中的梦想就是拥有一个香奈儿的255，也许有些人已经把这个梦想实现了很多次，也不排除会有些人觉得它们的款式太传统甚至有点过时。说到我自己呢，小时候已经很崇拜Coco Chanel，所以多年前已经是香奈儿的忠实拥护者，喜欢她的理由我也不多说了，只看她在时尚界的历史发展中造成的影响也就足以让我爱她一辈子。Coco Chanel创作255的灵感源自她自己的身世和经历，她本人就是255的muse，为什么这样说呢因为255的每一个部分都和Coco有着密切的关系。香奈儿255尺寸比较多，大家不知道选哪款可以参考明星街拍。chane255的隆廓已经深深的留在无数女性的印象里。

香奈儿255尺寸对照表

Mini 95 ×18 × 45 cm

特小 125 × 25 × 6 cm

小号 13 × 17 × 6 cm

中号 145 × 235 × 65 cm

经典款 16 × 255 × 75 cm

大号 20 × 30 × 10 cm

特大号 23 × 34 × 10 cm

香奈儿255设计理念

金色链带、菱格纹香奈儿手袋的经典传奇早已享誉全球，并继续深得女性宠爱。它是女人们配饰品中的明星之选，完美融合了视觉魅力和实用性，以及创新和传统，半个世纪以来已成为精品的象征。1955年2月，COCO CHANEL女士推出了一款配有金属链条的双层翻盖可闭合方形包。它成为了人们所熟知的255。很多年以来，这款包在原设计上出现了很多的变化，包括皮革或织物的面料，金属链条或与皮革相互交织缠绕的链条，双层翻盖或单层翻盖，以及**方形锁扣或双C图形锁口。Chanel经典款，除了最受欢迎的小羊皮面料，还有很多材质可供选择。当中包括鱼子酱压花小牛皮、漆皮牛皮、鳄鱼皮和蟒蛇皮，颜色绚烂，有灰色、沙褐色、青瓷、午夜蓝、棕色和其他季节流行色彩。小羊皮的通常比小牛皮的要贵一些，小羊皮非常柔软，就像婴儿的皮肤一样，时不时的可以给它按摩一下!