【YOLO系列】YOLO.v2算法原理详解

YOLO(You Only Look Once)系列算法原理

前言 ：详细介绍了yolo系列目标检测算法的原理和发展过程。

系列：
【YOLO系列】YOLO.v1算法原理详解
【YOLO系列】YOLO.v2算法原理详解
【YOLO系列】YOLO.v3算法原理详解
【YOLO系列】YOLO.v4 & YOLO.v5算法原理详解

2. YOLO.v2

2.1 基本概述

论文参考：YOLO9000: Better, Faster, Stronger

yolo v1虽然简单便捷，但检测效果较差，相较于FRCNN和SSD，其性能有所不及。

而 yolo v2 作为 v1 的接续，在原有基础上，做出了很多改进，从而实现了更好、更快、更强悍的目标检测性能，开始迎头赶上FRCNN,SSD网络。

2.2 算法改进

2.2.0 网络架构

yolo v2整体网络架构如下所示

2.2.1 Batch Normalization

v1

• 使用了 dropout 技巧，防止过拟合

v2

• 删去 dropout，增加 Batch Normalization
• BN 操作增加在卷积之后，激活层之前。该操作大大增加收敛速度，防止过拟合、梯度消失。

Batch-Normalization

• 对批样本的输出特征量分别进行归一化处理，分别使得每个特征数据均值为0，方差为1。该步骤不需要引入任何额外参数。
• 对上一步输出做线性变换，即$Z^{\prime }=\alpha Z+\beta$。这里的$\alpha ,\beta$ 是可训练的参数。该步骤是尝试恢复原本信息。

说明

• BN操作现在已经成了目标检测网络的标配。
• 该方法使得mAP提升了2%。

2.2.2 High Resolution Classifier

v1

• 采用 $224\times 224$ 图像训练网络，采用 $448\times 448$ 图像进行检测

v2

• 采用 $224\times 224$ 图像进行预训练，再使用 448 ×