前言
YOLOV2论文地址:https://arxiv.org/abs/1612.08242
YOLOV1有两个缺点:一个缺点在于定位不准确,另一个缺点在于和基于region proposal的方法相比召回率较低。因此YOLOv2主要是要在这两方面做提升。另外YOLOv2并不是通过加深或加宽网络达到效果提升,反而是简化了网络。
一、YOLOv2的优化改进Better(预测更准确)
1.1 Batch Normalization(批归一化)
这个就像卷积网络中的神器,加上之后又能防止过拟合又能加速收敛。原理上,对每一批训练数据统计通道上的均值和方差,再做归一化处理。原来的YOLOV1(采用的是GoogleNet网络提取特征)是没有BN层的,因此在YOLOv2中作者为每个卷积层都添加了BN层。另外由于BN可以规范模型,所以本文加入BN后就把dropout去掉了。实验证明添加了BN层可以提高2%的mAP。
BN层的优点:
1)神经网络每层输入的分布总是发生变化,通过标准化上层输出,均衡输入数据分布,加快训练速度;可以设置较大的学习率和衰减,而不用去care初始参数,BN总能快速收敛。
2)通过规范化输入,降低激活函数在特定输入区间达到饱和状态的概率,避免梯度消失问题;
3)输入规范化对