YOLO2论文的概括理解

论文名称：YOLO9000: Better, Faster, Stronger

论文地址：https://arxiv.org/abs/1612.08242

在yolo所有的卷积层后面添加BN层，基网络采用darknet-19

采用anchor，最后一层卷积层的特征尺寸是13*13，每一个特征点预测5个anchor，faster里面的9个anchor是人为选择的出来的，yolo里面的5个是聚类聚出来的，这一点也是我觉得YOLO2最有意思的一点。

YOLO2采用的聚类的算法就是k-mean，要进行聚类就要解决两个根本问题：1、聚类的特征是什么？2、距离度量的标准是什么？YOLO2的聚类特征是根据训练数据集里面标定的bounding box，论文里面的原画是dimensions of bounding box（根据论文里面的图我猜测是bounding box的中心点还有长宽，具体是什么要需要看源码才知道）。距离度量的公式是

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

这里的聚类不是事先指定k的大小，然后再聚类，而是根据聚类的结果选择k具体是多少，如图将指定k为1-15，对每一个k聚类，计算聚类完成以后的avg IOU。得到k与avg IOU大小的关系，最后选择曲线肘部处的k对应的值作为k的大小。

YOLO2第二个我觉得很有意思的就是他的细粒度特征，26x26x512的特征图叠加成13x13x2048的特征图，与原来的特征图相连接在一起。

具体请看原文。