YOLO（You Only Look Once）是一种快速的物体检测方法，它将检测视为回归问题，速度极快但定位精度较低。YOLO通过全局信息处理减少假阳性，其网络结构简单，能适应新领域。然而，对小物体和非常规尺寸物体的检测效果不佳，主要误差来自定位。在VOC 2007和2012数据集上的实验表明，YOLO在实时系统中表现出色，但在定位准确性方面有待提高。
综述：
将物体检测任务（划分边界框和类别的可能性）作为回归问题来解决。
速度非常快，但是可能产生定位的误差，相比于rcnn，减少了假阳性。
从上图可以看出结构非常简单
优势：
1、速度非常快
2、处理全局的信息。在 训练和测试的使用看到了整个图像，对类别和外表都进行编码。相比于faster rcnn减少了近一半的假阳性。
3、yolo学习归纳重新表达物体的特征。所以能够更加适应新的领域。在后面的实验中作者对行人进行检测，取得了相对较好的效果。
不足：
定位不够精确，特别是对与小物体。
整体结构：
![clipboard[1]](https://img-blog.csdn.net/20170515154745998 "clipboard[1]")
从全局特征出发，预测定位框。同时针对所有的类预测所有的边界框。
如上图，将输入的图片分为SxS的网格，如果物体的中心落入某个网格，该网格就负责预测预测该物体。
每个网格预测B个边界框和置信度confidence(反映了边界框包含物体的confidence和边界框定位的准确度)
confidence为：
最低0.47元/天 解锁文章
扫一扫
2281
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
