发表于CVPR2017
1、YOLOV2对比YOLOV1改进的尝试：
1）加入了BN层:YOLOv2的第二个改进是在网络中加入了Batch Normalization，使用Batch Normalization对网络进行优化，让网络提高了收敛性，同时还消除了对其他形式的正则化（regularization）的依赖。有了BN便可以去掉用dropout来避免模型过拟合的操作。提升mAP约2％。
2)采用更高分辨率的分类器（HighResolution Classifier）：采用448×448的大分辨率输入。这种高分辨率分类网络使我们的mAP几乎提高了4％。
3）尝试基于anchor的机制：作者认为基于anchor偏移的预测，相比于直接预测坐标而言能简化边界框预测的问题，也能使网络更加容易学习和收敛。（Faster R-CNN并不是直接预测坐标值。Faster R-CNN只是用RPN种的全连接来为每一个box预测offset（坐标的偏移量或精修量）以及置信度（得分）。（说明：faster r-cnn的box主体来自anchor，RPN只是提供精修anchor的offset量））
4）Dimension Clusters：在Faster RCNN、SSD等网络中的预设anchor，基本都是根据经验得到，或手动挑选的。YOLOV2采用训练集中所有目标bbox的位置通过k-means方法聚类得到相应的anchor。一开始就选用更合适的anchor，可以使网络学习的更轻松。
5）Direct location prediction：当在YOLO中使用anchor boxes机制的时候，模型不稳定。尤其是早期迭代的时候。不稳定的因素主要来自于为box预测（x，y）位置的时候。这个公式没有加以限制条件，所以任何anchor box都可以偏移到图像任意的位置上，而不是只在本网格中。随机初始化模型会需要很长一段时间才能稳定产生可靠的offsets(偏移量)。我们并没有“预测偏移量”，而是遵循了YOLO的方法：直接预测对于网格单元的相对位置（通过sigmod函数变到0~1之间）。
6）Fine-Grained Features：调整后的yolo将在13X13的特征图上做检测任务。虽然这对大物体检测来说用不着这么细粒度的特征图，但这对小物体检测十分有帮助。Fast R-CNN和SSD都是在各种特征图上做推荐网络以得到一个范围内的分辨率。YOLOV2采用不同的方法，只添加了一个passthrough层，从26x26的分辨率得到特征。
Passthrough层将不同分辨率的低层特征和高层特征进行融合
高分辨率的低层特征图如下图，生成4个低分辨率的特征图，通道数变为4倍，再与低分辨率的高层特征图进行concat融合
7）multi-scale training：用多种分辨率的输入图片进行训练
由于YOLOv2模型中只有卷积层和池化层，所以YOLOv2的输入可以不限于416x416大小的图片。为了增强模型的鲁棒性，YOLOv2采用了多尺度输入训练策略，具体来说就是在训练过程中每间隔一定的epochs之后改变模型的输入图片大小。由于YOLOv2的下采样总步长为32，输入图片大小选择一系列为32倍数的值:
输入图片最小为320x320，此时对应的特征图大小为10x10，而输入图片最大为608x608,对应的特征图大小为19x19,在训练过程，每隔10个epochs随机选择一种输入图片大小，然后只需要修改对最后检测层的处理就可以重新训练。
2、backbone网络
用darknet-19作为yolo_v2的backbone网络。共有19个卷积层。
每一个卷积层包含下图三步：Conv2d,BN,LeakyReLU。conv2d是不包bias的，如果使用BN层，bias就不起任何作用。
检测网络把darknet-19最后的卷积层，平均池化层和softmax去掉，后加上后续检测如下图
最后一层的conv2d是没有BN层和激活函数，直接输出结果：（5+C）*K，其中C是类别数，K是anchor的个数。