YOLOv2/YOLO9000
YOLO9000: Better, Faster, Stronger
YOLOv2 是一個單純的改進型工作，在YOLO上集成了很多已有的trick（比如加了BN，anchor），因為是trick文章，這里就不做完整解讀了，可以參考這篇解讀，我覺得其中比較有新意的地方有兩個：
- Dimension Clusters得到更好的anchor
- YOLO9000：用WordTree整合ImageNet和COCO數(shù)據(jù)集聯(lián)合訓練Darknet（有種知識圖譜和DL結(jié)合的感覺），用多個softmax loss分別做不同層次的分類
改進點list:
- Batch Normalization
- 用448x448的圖片訓練分類器
- 使用anchor
- 聚類得到更好的初始anchor位置（使用IOU進行box距離判斷）
- 直接預(yù)測box位置
- 類似ResNet的passthrough feature疊加
- 由于是全卷積網(wǎng)絡(luò)，可以接收不同尺度輸入進行訓練
- Darknet-19：大量使用3x3和1x1卷積，BN
- 用wordtree整合ImageNet和COCO數(shù)據(jù)集，多標簽聯(lián)合訓練Darknet
YOLOv3
YOLOv3也是一個單純的改進性工作。。沒啥創(chuàng)新性，但是效果好_(:з」∠)_
作者也覺得這不算是一篇正式paper，只是一個工作報告，所以論文寫得跟玩兒似的
YOLOv3
改進點list
- 使用更多的shotcut，構(gòu)造更深的darknet-53（ResNet提出來的）
YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)
- 使用三層feature map分別對應(yīng)不同尺度的anchor（SSD，F(xiàn)PN已經(jīng)這樣做過了）
- 由于softmax分類loss前提假設(shè)是每個對象只屬于一個分類，對于有包含關(guān)系的類別，softmax沒那么適用，于是yolov3使用了邏輯回歸的方法做分類，同時回歸一個anchor屬于多個類的概率，ground truth值是0或1，分別代表一個anchor是否與ground truth box相匹配。
