YOLO-V2

先补充两个指标

TP:正确判断正确的东西，FP:错误判断正确的东西，TN:正确判断错误的东西，FN:错误的判断错误的东西

MAP就是在所有置信度阈值（框框的置信度）中综合考虑精度和召回率。

在YOLO-V2中没有使用全连接层，而是全部使用的卷积层，这样的好处就是不需要限制输入的图像的分辨率，同时舍弃了dropout，采用了在每一次卷积后做一次batch normalization，好处是可以限制一下学习的方向，防止跑偏了。

网络架构

可以看到全是卷积，池化，并且都是小卷积核，节省了很多参数。在卷积的时候输出的图大小不变，但是做降采样的时候变从原来的一半，一共做了5次，所以最后的图是原来的1/32。然后在3x3卷积之间使用1x1卷积压缩特征表示。

先验框

在fast-rcnn中先验框是按一定的比例给定的，而v2中采用的是聚类提取先验框，做法：首先找到一堆数据集，根据来计算什么样的框框能属于一类（框框到中心点的距离=1-iou），这里将框框分成了5类，原因是越多肯定越精确，但是会影响速度。根据实验选了个折中的值，如下：

偏移量的计算

在v1中，预测偏移量是直接给出预测值，这会使得刚开始的时候模型很飘，不好收敛，于是v2中为了解决这个方法，作者让预测出来的数值是一个相对值，比如tx,ty是相对于网格的左上角的偏移量，将他们放到了sigmoid函数中使得这个值在0-1之间，也就是这个中心点怎么都出不了这个网格，cx,cy是为了知道这个中心点在哪个网格中，是给定的，因为这个就是为了固定住中心点的位置。在得到了最终预测的值后，由于上面说了做了5次下采样，所以只要将数据全部乘32，就能知道在原来的图中这个框框的位置以及大小了。

感受野

最后的特征图能看到原始图像的多大范围。

特征融合

如果最后的感受野太大了，就会忽略一下小的物体，所以要将之前的特征图做一个融合

Multi-Scale Training

   和YOLOv1训练时网络输入的图像尺寸固定不变不同，YOLOv2每隔几次迭代后就会微调网络的输入尺寸。训练时每迭代10次，就会随机选择新的输入图像尺寸。因为YOLOv2的网络使用的downsamples倍率为32，所以使用32的倍数调整输入图像尺寸{320,352，…，608}。训练使用的最小的图像尺寸为320 x 320，最大的图像尺寸为608 x 608。这使得网络可以适应多种不同尺度的输入。