You Only Look Once: Unified, Real-Time Object Detection

这是Ross Girshick大神在fast rcnn之后的又一力作，不过这篇论文似乎推翻了rbg大神在rcnn那篇论文中结论，即可以把检测任务归并为分类任务，而是又把检测任务归为回归任务去解。下面说一下这篇文章的主要思想：

上图是YOLO的主要流程，首先把整幅图片划分为7x7个块，然后根据ground truth 找到中心点，并把物体所在的中心点归为某个块中。网络的后端两个全链接层，这里需要看一下最后一层，它7x7x24的输出，表示图片7x7的区域里是什么（回归），以及物体在哪里（回归）。

从目标函数可以看出，是什么问题原本是分类问题，不过也可以通过是某种物体的概率与ground truth概率差的二范数之和（也是回归）得到。整个网络的学习是通过整幅图像进行学习，而不像以前的检测模型，先学出一个分类模型，再在整张图像进行滑窗判断。通过把整个图片划分为49个区域，然后对每个区域进行判断，这种思想和faster rcnn类似，都是为了减少任务复杂度，一个是从前切分，一个是从后切分。不过这个与faster rcnn相比，有更加明显的优势，首先faster rcnn需要一个rpn网络代替selective search来找出候选区域，而yolo则直接将7x7这49个区域作为候选区域。与yolo思想不同，faster rcnn在conv5层滑窗，conv5feature map 与原图只能进行点对点的一一映射，在尺度和宽高比上没办法直接确定，故需要设置9个anchor，然后从这9个anchor来衍生真正的候选区域。
了解卷积神经网络的都知道，卷积神经网络在卷积层上保留了二位空间信息，而全链接层则没有空间信息，故最后一层虽然是二维的，但是之间没有空间关联，而是根据给的labels来学习这样的伪空间信息，为什么说是伪空间信息呢，因为虽然神经元本身没有空间信息，但是要学习的labels是根据原图块的信息判断的，而原图的块与块之间是有空间信息的。故在我看来，最后一层的二维图直接拉成一个列向量，也是可以处理的。
以上就是我对yolo的见解，最后在给一幅他的示意图，这是唯一的一张我看示意图却不知道到底想干啥的示意图了：