YOLOv2做了哪些改进 论文理解

YOLOv2做了哪些改进

YOLOv2在第一个版本的基础上做了不少的改进，包括网络结构和训练的小技巧，anchor机制的加入，本文将对这些改进做一个梳理。

YOLOv2做了哪些改进

总览

改进分析

1. 批量规范化 （Batch Normalization）

2.大尺度预训练分类（High Resolution Classifier）

3.新网络和跳跃结构 （New Network）

4. anchor机制

5. 直接预测相对位置（Direct location prediction）

6. 细粒度特征  （Fine-Grained Features）

7. 多尺度训练（Multi-Scale Training）

附：

对v2的一些个人理解

训练过程

---

---

总览

作者的实验结果总结，可以发现有很多的工程性质的trick，背后的理论却不是很多，感觉上是实验性质。

 

改进分析

1. 批量规范化 （Batch Normalization）

对数据进行预处理（统一格式、均衡化、去噪等）能够大大提高训练速度，提升训练效果。

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，预测的时候只有一张图片，统计性质不好，用训练集的期望代表均值和方差。加上BN之后有了2个点的提升。

  批量规范化 ，对每一层输入的数据进行加工。示意图：

       Batch Normalization，简称 BN，由Google提出，是指对数据的 归一化、规范化、正态化。BN 作为近几年最火爆的Trick之一，主流的CNN都已集成。

       该方法的提出基于以下背景：

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，调参狗的福音。

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 gradient vanishing 问题；

      举个例子：0.95^64 ≈ 0.0375    计算累积会产生数据偏离中心，导致误差的放大或缩小。

3）输入规范化对应样本正则化，在一定程度上可以替代 Drop Out；

      Drop Out的比例也可以被无视了，全自动的节奏。

       BN 的做法是 在卷积池化之后，激活函数之前，对每个数据输出进行规范化（均值为 0，方差为 1）。

       公式很简单，第一部分是 Batch内数据归一化（其中 E为Batch均值，Var为方差），Batch数据近似代表了整体训练数据。

       第二部分是亮点，即引入 附加参数 γ 和 β（Scale & Shift），Why？ 因为简单的归一化 相当于只使用了激活函数中近似线性的部分（如下图红色虚线），破坏