YOLO 目标检测算法学习笔记（四）
YOLO-V2
下图为YOLO-V2相较于YOLO-V1的改进点，以及改进后 mAP 值的变化。
Batch Normalization
V2 版本舍弃了 Dropout，不再有全连接层（Fully connected layers，FC）。每次卷积后都加入 Batch Normalization，对网络的每一层的输入都进行归一化，使收敛更容易。
经过 Batch Normalization 处理后的网络会提升2%的mAP值。
从现在的角度来看，Batch Normatlization 已经称为卷积神经网络处理必备处理了。
High Resolution Classifier
High Resolution Classifier，即高分辨率分类器，高分辨率分类器。
在 V1 版本，训练时用的是224*224分辨率的图片，测试时又使用448*448分辨率的图片，这会导致模型“水土不服”。
针对这一问题，V2 版本在模型训练时额外进行了10次448*448的微调。经过微调后，V2 版本的 mAP 值提升了约4%。