YOLOv2在YOLO的基础上进行了多项改进，包括使用Batch Normalization加速训练和提高稳定性，High resolution classifier进行高分辨率图像处理，引入Anchor Boxes提升检测速度，通过Dimension clusters优化先验框尺寸，以及Multi-Scale Training增强模型对不同尺寸图像的适应性。这些改进提升了YOLOv2在目标检测任务上的性能。
YOLOv2的改进：
1.Batch Normalization(批量归一化)
批归一化有助于解决反向传播过程中的梯度消失和梯度爆炸问题，降低对一些超参数（比如学习率、网络参数的大小范围、激活函数的选择）的敏感性，并且每个batch分别进行归一化的时候，起到了一定的正则化效果（YOLO2不再使用dropout），从而能够获得更好的收敛速度和收敛效果。
2.High resolution classifier（高分辨率图像分类器）
图像分类的训练样本很多，而标注了边框的用于训练对象检测的样本相比而言就比较少了，因为标注边框的人工成本比较高。所以对象检测模型通常都先用图像分类样本训练卷积层，提取图像特征。但这引出的另一个问题是，图像分类样本的分辨率不是很高。所以YOLO v1使用ImageNet的图像分类样本采用 224*224 作为输入，来训练CNN卷积层。然后在训练对象检测时，检测用的图像样本采用更高分辨率的 448*448 的图像作为输入。但这样切换对模型性能有一定影响。
所以YOLO2在采用 224*224 图像进行分类模型预训练后，再采用 448*448 的高
最低0.47元/天 解锁文章
1162
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
