自己回顾yolov2算法，并做个笔记进行巩固。
YOLOV2
相较yolov1做的改进具体一一说明。
Better
batch normalization
回顾一下批归一化的作用：
有助于解决反向传播中梯度消失以及梯度爆炸的问题，
降低对一些超参数的敏感性
带来的正则化效果使得获得更好的收敛效果
做法：在卷积后全部加入bn, 即由原来的卷积激活结构变为卷积、批标准化、激活。
效果：mAP提升2%
hi-res classifier
用更高分辨率的图像微调分类模型
YOLOV1：ImageNet的图像分类训练输入为224×224，检测时用的是448×448。
YOLOV2：ImageNet的图像分类预训练输入为224×224，再采用448×448样本对分类模型微调（10个epoch), 然后再使用448×448样本进行检测
效果：mAP提升4%
anchor box
采用类似rcnn的anchor box来作为参考框，将目标检测转换为对参考框的判断：是不是包含目标，偏移量是多少。
YOLOV1：7×7×2=98
YOLOV2：13×13×5=845
聚类提取anchor尺度
Faster-rcnn：手动指定anchor比例，不一定完全适合数据集
YOLOV2：对训练集中标注的边框进行聚类寻找到边框尺寸