如下图，yolov2相对yolov1的改进点：
2.1 Batch-Normalization 归一化
在神经网络中，在全连接层中使用dropout能以降低过拟合风险，YOLOV2中舍弃了dropout。V2中没有全连接层，所有层都是一个卷积，每次卷积之后都加一个BN，即：每一层后面做一个归一化处理(使得mean=0，sigma比较小)，这样做的好处是：容易收敛。舍弃dropout，改用BN，YOLOV2最终mAp提升了2.4％，如上图所示。站在今天的角度，BN已经成为网络必备处理。（V4中dropout改为了bropblock）
2.2 high-resolution classifier更高分辨率的分类器
V1训练时使用的是224*224(可能由于当时计算机性能有限，YOLO的出发点就是快)，测试时使用的448*448。
V1中训练与推理时使用不同分辨率，可能导致“水土不服”。训练过程中，V2在V1的基础上额外加了10个epoch，进行448*448的微调，这种操作使得mAp提升了3.7%，如上图。
2.3 convolutional提出darknet
DarkNet≈VGG+ResNet
1) DarkNet实际输入为416*416
2) DarkNet没有FC层，5次降采样，（13*13）（FC层易过拟合；并且参数多导致训练慢）
3) 1*1卷积能够节省很多参数，可以调研下原理
为什么V2选择删除FC层？
如下图V1的网络，红色框标注的是V1的FC层，它将7×7×1024的tensor变为7×7×30的tensor；注意到FC层中间数量优点恐怖；于是：V2采用卷积来代替V1中的FC层，一次性解决问题，参数大大减少
五次降采样：type列如下图（下面图有点错误，不影响说明问题哈）5个MaxPool降采样操作，每次降采样，featureMap的size为原来一半，所以五次就是缩小2^5=32倍，这样原图的输入尺寸必须被32整除。（输入416×416 = 32 * (输出13×13)）
上图中，所有的卷积操作的卷积核size=3×3 or 1×1，其中3×3是借鉴VGG网络思想，认为小的卷积核(3×3)有参数少、感受野大的优点。
作者称上图为DarkNet-19，有19个卷积层；其中1×1卷积核仅仅改变网络特征图数量。观察上图Filters列，5次Maxpool之后，特征图数量翻倍（为什么翻倍？可参考Inception中1×1卷积的对FeatureMap的channel维度的升维、降维[1]），并且每次Maxpool之后都是多次卷积操作（特征浓缩），这些卷积中间夹杂着1×1的卷积核（而不全是3×3卷积），好处是：相对于3×3卷积，1×1卷积参数数量少，并对整体网络性能没有太大影响。
2.4 anchor boxes 先验框
V1中指定每个cell中指定B=2个框，Faster-RCNN系列选者了9中先验框(三种分辨率的图中对应三种比例的框，比例为：1：2，2：1，1：1，分辨率越高，框越大)，其长宽比例都是常规的，不一定适应于真实数据。
V2借鉴于此，进行改进；例如将coco数据集中所有目标对应框进行KMeans聚类(K=5)，让算法自动生成目标框比例，而不是给出固定的比例，这样能够更加贴近客观情况。V2中聚类的时候，不是用的欧氏距离来定义差异（即：
((w1-w2)^2+(h1–h2)^2)^0.5）
而是用下式表示“距离”：
如果用上述欧氏距离公式，那么对于同一类目标，大物体和小物体将会和“几何中心”距离差异大，分在聚类不同类别。
如下图，作者进行了相关实验，随着聚类类别数量的增加，平均IOU值也会增加，类别间差异变化越来越慢；通俗讲：类别越多，IOU平均值越大（这是我们希望看到的，初始IOU越大，越有利于优化，网络更快收敛），收益越大；但是，随着聚类类别越多，IOU增长变慢，并且先验框也不可能无限增长下去，于是作者取了个折中，令K=5（取5也应该经过了严格测试）。
所以在V2中，一个cell中对应B=5个先验框。如下图是聚类结果：
V2相对于V1先验框多了3个，但是mAP降了一点点。因为先验框多了，能够得到的候选目标也多了，错误发生的可能性也变大，但rcall却极大地提升。通俗讲：先验框多了，能够召回更多目标，准确率几乎不变 。
2.5 Directed Location Prediction直接预测cell局部框
V1 中，先给出框的先验证值(xp yp wp hp),则有：
x = xp + wp*tx; y = yp + hp*ty;
上述式子中，x y tx ty都是待优化的变量，其中tx、ty表示框的偏移；在V1中先验框的初值给得不一定就很恰当，同时优化过程中，tx、ty也有跑偏的情况，导致最终框偏移目标太大，就是：跑偏了。
V2版本中，改进了上述缺陷，将上述tx ty相对中心点的偏移量修改为相对cell的偏移量，这样最终的检测框一定对包含cell。如下图，黑色虚线为先验框，蓝色实线为预测框。对于预测框的中心点(bx,by)，我们定义目标函数为：
bx = sigma(tx)+cx
by = sigma(ty)+cy
其中sigma表示sigmod函数，可以将tx变化范围限制为(0,1),这样中心的预测永远不会超出如图cell，cx、cy为当前cell左上角在原图的偏移坐标。对于预测框的宽、高(bw,bh),V2通过聚类给出先验值(pw、ph)，计算公式也很简单，如下图。
2.6 感受野
什么是感受野？对于输入一张图，我们做卷积、MaxPool等操作，特征图的size会越来越小，如下图最终特征图的一个单位u是由原图较大的一块区域(记为：r)经过“浓缩抽象”得到，那么区域r就是单位u的感受野。
在CV中，大的感受野关注大的目标，例如：DL中常有如下处理：
输入图像->conv1->conv2->conv3
conv1：关注纹理、色彩、线条等浅层特征；
conv2：关注高级特征
conv3：关注全局特征
为什么卷积过程中都是3×3，而不是5×5，甚至更大？
如下图：原图是5×5×1，经过2次conv得到最终特征图。同理，现在假定input原图为7×7×1，得到如下图最右边的最终特征图，我们有两种方式：
方法一：经过3次3×3卷积处理；
方法二：经过1次7×7卷积处理。
假定上述input原图size为：h×w×c，现在采用c个卷积核（得到c个特征图），上述方法一需要参数个数为：
3×c×（3×3×c）=27×c×c
(第一个3：卷积次数，注：现在卷积是立体空间操作，不是平面，且c个通道都是立体卷积)
上述方法二需要参数个数为：
1×c×(7×7×c)=49×c×c
显然，方法一参数要少。
3×3卷积好处：
1、节省参数
2、卷积次数多，特征提取也会越细致，加入的非线性变换也越多；这是VGG网络的思想：用小的卷积核完成体特征提取操作。
2.7 Fine-Grained Features特征图优化
上一节讲述了感受野，神经网络最后一层感受野太大，也即：对应着原图的大目标，小目标信息丢失，这时候需要融合之前的特征。我们说最后一层感受野很大，越往前，之前特征图对应感受野越小， 所以想要检测小目标，就要融合中间特征图的信息。
如下图，pooling+conv之后，得到13*13*1024的最终特征图；同时将其前一层特征图进行拆分，拆分为4个13*13*512的特征图和上述13*13*1024的特征都堆叠在一起，得到13*13*3072的特征图，其中3072 = 4*512 + 1024。
2.8 Muti-Scale
在V2的darknet中没有FC层，只有卷积层，所以对输入图像分辨率无限制(分辨率宽高必须是32倍数，原因是5次降采样)，V2中，训练迭代过程中，会改变图像size，如下图三种分辨率，能够提升网络模型对尺度的适应性(尺度：距离近，目标大；距离远，目标小)。mAp值能够提升1.6%。
refence：