论文地址：https://arxiv.org/pdf/1612.08242v1.pdf

YOLO9000: Better, Faster, Stronger

• yolov2是指对yolov1做出了些许改进，而yolo9000是指对yolov2使用dataset combination method and joint training algorithm从而得到可以实现9000个类别的detection的model

• 首先，yolov1存在召回率（即查全率 $\frac{TP}{FN + TP}$FN+TPTP​）低和localization不准的问题，针对这些问题提出了一些改进，也即

better

1. 用batch normalization提高了一点点的map（2%），并且可以去掉v1中的dropout
2. v1采用224224的分类任务来预训练backbone再在448 * 448的detection上去finetune，而v2在448 * 448detection finetune之前，插入了10个epoch的448448分类任务来过渡resolution，又对map提高了几乎4%
3. 借鉴faster-rcnn的anchor，而且对每个anchor都预测一个class而改变了之前一个grid只预测一个class的做法。这样做的结果是降低了一点map但是提高了召回率
4. 使用k-means来确定anchor的尺寸，而k-means采取的距离为：$d(box; centroid) = 1 − IOU(box; centroid)$d(box;centroid)=1−IOU(box;centroid)目的是消除bbox的size的影响
5. 认为faster-rcnn的anchor shift设计有缺陷，输出的如果是直接对anchor的center的shift会导致一开始飘到很远的地方，振荡很久才收敛，所以这里沿用yolov1采用0-1（用grid来归一化）的输出，所以输出前要加一个logistics回归。
   输出$t_x,t_y,t_w,t_h,t_o$tx​,ty​,tw​,th​,to​，而$p_w,p_h$pw​,ph​是anchor的长宽，$c_x,c_y$cx​,cy​是grid cell的位置
   
   $P r(object) ∗ IOU(b,object) = σ(t_o)$Pr(object)∗IOU(b,object)=σ(to​)
   最终效果如下图：
   
6. 为了得到fine-grained的feature，将earlier的feature用一个passthrough传到后面的层，而由于没有用unet结构，为了将前面的26 * 26和后面的13*13concatenate到一起，将26 * 26拆成4个channel
7. multi-scale training，每10个epoch随机改变一次输入的size（由于只由conv和pooling组成，所以输入理论上只要是某个倍数即可）导致训练出的模型可以适应多种resolution的输入

faster