[D24] 物件侦测(5)

前一篇物件侦测(4)停在 YOLOv1 的缺点上，现在就要来说 YOLOv2了！

YOLOv2

YOLOv2 的论文全名为 YOLO9000：Better , Faster , Stronger
这篇文章其实包含两个模型：YOLOv2 和 YOLO9000，不过後者是在前者基础上提出的，两者模型主体结构是一致的。
所以我们就来了解 YOLOv2 在干嘛吧！
YOLOv2 改善了 YOLOv1 在侦测精确度上的缺点，在变更快速的同时也达到对小物件侦测有着更高的精确度。

可以看到 YOLOv2 相比 YOLOv1 的改进策略～

那它是怎麽做到提升定位的准确度的同时又保持分类的准确度呢？
最主要是 YOLOv2 引入了 Faster RCNN 中的 anchor box 技术！

• Softmax 层对 anchors 进行分类，找到需要被检测的 anchors
• Regression 层对 anchors 的边框进行回归找到精确度较高的Propsoal 边框
• Propsoal Layer 再综合两者产生出多个 Propsoal Feature Map

如果不太清楚或是有点忘记 Fast RCNN的概念和运行，可以参考之前介绍的这篇：物件侦测(3) 复习一下!

除了上面的改进，也使用了 Batch Normalization，在 YOLOv2 中，每个卷积层後面都添加了 Batch Normalization 层，并且不再使用 dropout。
使用 Batch Normalization 後，YOLOv2 的 mAP 提升了 2.4 %。

Batch Normalization：是一个可以提升模型收敛速度，而且可以起到一定正则化效果，降低模型的过拟合的技术。

mAP：m 代表 mean，AP 是 Average Precision 的缩写，是用来评估物体识别模型效能表现的指标。

一样重要的还有用了 High Resolution Classifier，目前大部分的检测模型都会在先在 ImageNet 分类资料集上预训练模型的主体部分，分类模型基本采用大小是 224 x 224，在分类模型预训练後，将解析度增加至 448 x 448，让影像辨识更为精准！

图片来源1
图片来源2