YOLO v2算法详解+YOLO9000介绍

YOLO9000是继YOLO之后的又一力作，本篇论文，其实作者在YOLO v2上并没有特别多的创新的方法，更多的是将现有的多种方法使用在自己的YOLO中以提高识别效果，不过YOLO9000倒是很有创新点，利用ImageNet与COCO数据，使得网络可以检测9000类数据，下面简要介绍一下这两个网络：

首先介绍YOLO v2都使用了哪些方法：

Batch Normalization

这个不多说了，确实是有效果的。，提高了2%。

High Resolution Classifier

作者先在224大小上训练，然后在448上进一步fine-tune得到更好的效果。这里我们做过实验，在自己的数据上，如果只是单纯的扩大图像，在224的预训练模型进行训练，分类精度不会提高，反而降低了。

加anchor

加入anchor并没有提高map，但是提高了recall,作者在paper中表示，没加anchor前，map为69.5,recall为81%，加入anchor后，map为69.2,recall为88%。

利用k-means代替手动设计anchor

距离设计中，作者并没有使用均方误差，而是使用IOU作为距离，公式如下：
d（box,centroid）= 1- IOU(box,centroid)

bounding box loss

paper并没有使用类似于faster rcnn以及ssd的边框预测方法，，在faster rcnn中的计算方式如下图，其中$x_a,y_a,w_a,h_a$分别代表anchor的坐标，$x,y,w,h$代表预测值，带星的为bounding box的坐标，所以faster rcnn实际计算的是与anchor的偏移值。

yolo v2并没有计算与anchor的偏移值,作者解释说计算偏移的方法由于偏移范围比较大，计算的时候不稳定，所以yolo v2采用了计算anchor与图像左上角的位置偏移以及anchor长宽的缩放的方法，如下公式所示， c x