如下圖，yolov2相對yolov1的改進點：
2.1 Batch-Normalization 歸一化
在神經網絡中，在全連接層中使用dropout能以降低過擬合風險，YOLOV2中舍棄了dropout。V2中沒有全連接層，所有層都是一個卷積，每次卷積之后都加一個BN，即：每一層后面做一個歸一化處理(使得mean=0，sigma比較小)，這樣做的好處是：容易收斂。舍棄dropout，改用BN，YOLOV2最終mAp提升了2.4％，如上圖所示。站在今天的角度，BN已經成為網絡必備處理。（V4中dropout改為了bropblock）
2.2 high-resolution classifier更高分辨率的分類器
V1訓練時使用的是224*224(可能由於當時計算機性能有限，YOLO的出發點就是快)，測試時使用的448*448。
V1中訓練與推理時使用不同分辨率，可能導致“水土不服”。訓練過程中，V2在V1的基礎上額外加了10個epoch，進行448*448的微調，這種操作使得mAp提升了3.7%，如上圖。
2.3 convolutional提出darknet
DarkNet≈VGG+ResNet
1) DarkNet實際輸入為416*416
2) DarkNet沒有FC層，5次降采樣，（13*13）（FC層易過擬合；並且參數多導致訓練慢）
3) 1*1卷積能夠節省很多參數，可以調研下原理
為什么V2選擇刪除FC層？
如下圖V1的網絡，紅色框標注的是V1的FC層，它將7×7×1024的tensor變為7×7×30的tensor；注意到FC層中間數量優點恐怖；於是：V2采用卷積來代替V1中的FC層，一次性解決問題，參數大大減少
五次降采樣：type列如下圖（下面圖有點錯誤，不影響說明問題哈）5個MaxPool降采樣操作，每次降采樣，featureMap的size為原來一半，所以五次就是縮小2^5=32倍，這樣原圖的輸入尺寸必須被32整除。（輸入416×416 = 32 * (輸出13×13)）
上圖中，所有的卷積操作的卷積核size=3×3 or 1×1，其中3×3是借鑒VGG網絡思想，認為小的卷積核(3×3)有參數少、感受野大的優點。
作者稱上圖為DarkNet-19，有19個卷積層；其中1×1卷積核僅僅改變網絡特征圖數量。觀察上圖Filters列，5次Maxpool之后，特征圖數量翻倍（為什么翻倍？可參考Inception中1×1卷積的對FeatureMap的channel維度的升維、降維[1]），並且每次Maxpool之后都是多次卷積操作（特征濃縮），這些卷積中間夾雜着1×1的卷積核（而不全是3×3卷積），好處是：相對於3×3卷積，1×1卷積參數數量少，並對整體網絡性能沒有太大影響。
2.4 anchor boxes 先驗框
V1中指定每個cell中指定B=2個框，Faster-RCNN系列選者了9中先驗框(三種分辨率的圖中對應三種比例的框，比例為：1：2，2：1，1：1，分辨率越高，框越大)，其長寬比例都是常規的，不一定適應於真實數據。
V2借鑒於此，進行改進；例如將coco數據集中所有目標對應框進行KMeans聚類(K=5)，讓算法自動生成目標框比例，而不是給出固定的比例，這樣能夠更加貼近客觀情況。V2中聚類的時候，不是用的歐氏距離來定義差異（即：
((w1-w2)^2+(h1–h2)^2)^0.5）
而是用下式表示“距離”：
如果用上述歐氏距離公式，那么對於同一類目標，大物體和小物體將會和“幾何中心”距離差異大，分在聚類不同類別。
如下圖，作者進行了相關實驗，隨着聚類類別數量的增加，平均IOU值也會增加，類別間差異變化越來越慢；通俗講：類別越多，IOU平均值越大（這是我們希望看到的，初始IOU越大，越有利於優化，網絡更快收斂），收益越大；但是，隨着聚類類別越多，IOU增長變慢，並且先驗框也不可能無限增長下去，於是作者取了個折中，令K=5（取5也應該經過了嚴格測試）。
所以在V2中，一個cell中對應B=5個先驗框。如下圖是聚類結果：
V2相對於V1先驗框多了3個，但是mAP降了一點點。因為先驗框多了，能夠得到的候選目標也多了，錯誤發生的可能性也變大，但rcall卻極大地提升。通俗講：先驗框多了，能夠召回更多目標，准確率幾乎不變 。
2.5 Directed Location Prediction直接預測cell局部框
V1 中，先給出框的先驗證值(xp yp wp hp),則有：
x = xp + pw*tx; y = yp + ph*ty;
上述式子中，x y tx ty都是待優化的變量，其中tx、ty表示框的偏移；在V1中先驗框的初值給得不一定就很恰當，同時優化過程中，tx、ty也有跑偏的情況，導致最終框偏移目標太大，就是：跑偏了。
V2版本中，改進了上述缺陷，將上述tx ty相對中心點的偏移量修改為相對cell的偏移量，這樣最終的檢測框一定對包含cell。如下圖，黑色虛線為先驗框，藍色實線為預測框。對於預測框的中心點(bx,by)，我們定義目標函數為：
bx = sigma(tx)+cx
by = sigma(ty)+cy
其中sigma表示sigmod函數，可以將tx變化范圍限制為(0,1),這樣中心的預測永遠不會超出如圖cell，cx、cy為當前cell左上角在原圖的偏移坐標。對於預測框的寬、高(bw,bh),V2通過聚類給出先驗值(pw、ph)，計算公式也很簡單，如下圖。
2.6 感受野
什么是感受野？對於輸入一張圖，我們做卷積、MaxPool等操作，特征圖的size會越來越小，如下圖最終特征圖的一個單位u是由原圖較大的一塊區域(記為：r)經過“濃縮抽象”得到，那么區域r就是單位u的感受野。
在CV中，大的感受野關注大的目標，例如：DL中常有如下處理：
輸入圖像->conv1->conv2->conv3
conv1：關注紋理、色彩、線條等淺層特征；
conv2：關注高級特征
conv3：關注全局特征
為什么卷積過程中都是3×3，而不是5×5，甚至更大？
如下圖：原圖是5×5×1，經過2次conv得到最終特征圖。同理，現在假定input原圖為7×7×1，得到如下圖最右邊的最終特征圖，我們有兩種方式：
方法一：經過3次3×3卷積處理；
方法二：經過1次7×7卷積處理。
假定上述input原圖size為：h×w×c，現在采用c個卷積核（得到c個特征圖），上述方法一需要參數個數為：
3×c×（3×3×c）=27×c×c
(第一個3：卷積次數，注：現在卷積是立體空間操作，不是平面，且c個通道都是立體卷積)
上述方法二需要參數個數為：
1×c×(7×7×c)=49×c×c
顯然，方法一參數要少。
3×3卷積好處：
1、節省參數
2、卷積次數多，特征提取也會越細致，加入的非線性變換也越多；這是VGG網絡的思想：用小的卷積核完成體特征提取操作。
2.7 Fine-Grained Features特征圖優化
上一節講述了感受野，神經網絡最后一層感受野太大，也即：對應着原圖的大目標，小目標信息丟失，這時候需要融合之前的特征。我們說最后一層感受野很大，越往前，之前特征圖對應感受野越小， 所以想要檢測小目標，就要融合中間特征圖的信息。
如下圖，pooling+conv之后，得到13*13*1024的最終特征圖；同時將其前一層特征圖進行拆分，拆分為4個13*13*512的特征圖和上述13*13*1024的特征都堆疊在一起，得到13*13*3072的特征圖，其中3072 = 4*512 + 1024。
2.8 Muti-Scale training
在V2的darknet中沒有FC層，只有卷積層，所以對輸入圖像分辨率無限制(分辨率寬高必須是32倍數，原因是5次降采樣)，V2中，訓練迭代過程中，會改變圖像size，如下圖三種分辨率，能夠提升網絡模型對尺度的適應性(尺度：距離近，目標大；距離遠，目標小)。mAp值能夠提升1.6%。
refence：
https://www.zhihu.com/question/56024942
https://blog.csdn.net/u014380165/article/details/77961414