YOLOv2

YOLO的缺点：1.定位不准确 2.召回率低 YOLOv2对此进行了修改
1.Batch Normalization
对网络的每一层的输入都做归一化，收敛会快一点，原来的YOLO算法没有BN层，YOLOv2在每个卷积层都添加了BN层，并且将dropout去掉，可以提升2%的mAP
2.High Resolution Classifier
一般都是用预训练的网络来finetuning自己的网络，而且预训练的网络一般都是在ImageNet数据集上跑。原来的YOLO网络预训练的输入是224224，detection时采用448448，这样会导致在切换到检测模形时，还需要适应图像分辨率的改变，YOLOv2采用的是224224的输入先训练160个epoch，然后将输入调整到448448训练10个epoch，这两步都是在ImageNet上进行的。detection时用448448的输入，实验表明可以提高4%的mAP
3.Convolutional with Anchor Boxes
YOLO时利用全连接层直接预测bounding box的坐标，YOLOv2借鉴了Faster R-cnn的思想引入了anchors。首先将原网络的全连接层和最后一个池化层去除，这样可以使得特征图得到更高的分辨率，然后缩减网络，用416416代替原来的448448，这样可以保证只有一个center cell。因为一般的大目标都会集中在图像的中心，这样只需要一个cell来预测该目标，否则需要4个。网格最终将416416的输入变成1313大小的feeature map的输出，缩小比例为32.原来的YOLO算法将输入图像分成77的网格，，每个网格预测2个边界框，因此一共是98个边界框，