Yolo-V2 特点

V2  --  BN

1. V2版本舍弃了Dropout，卷积后全部加入Batch Normalization
2. 网络的每一层的输入都做了归一化处理，收敛相对更容易
3. 经过Batch Normalization处理后的网络会提升2%的mAP
4. 从现在的角度来看，Batch Normalization已经成为网络必备处理

V2  --  更大的分辨率

1. V2训练是用的是224*224，测试是使用的是448*448
2. 可能导致模型水土不服，V2训练时额外有进行了10 次448*448的微调
3. 使用高分辨率分类器后，YOLOv2的mAP值提升了约4%

V2  --  网络结构

1. 使用DarkNet，实际输入为416*416
2. 没有FC层，（FC层参数多，训练慢）5次降采样，（13*13）
3. 1 * 1卷积节省了很多参数

V2 -- 聚类提取先验框

1. fster- rcnn系列选择的先验比例都是常规的，淡食不会当完全适合数据集
2. K-means聚类中的距离：d(box, centroids)  =  1 - IOU(box, centroids)

V2  --  Anchor  Box

1. 通过引入anchor boxes，使得预测的box数量更多
2. 跟faster - rcnn系列不同的是先验框并不是直接按照长宽固定比给定