You Only Look Once

将目标检测作为回归问题,整张图作为网络的输入，将物体检测与分类合到一起，整张图作为输入，输出为回归bounding box的位置信息和其所属的类别

• DPM：使用滑动窗口，对每个分区进行分类
• RCNN：具有复杂的管道而且是缓慢和难以优化，因为每个组件必须单独训练

基本思路

1. 将图片分为S*S的区域，此处不是RCNN那样对每个区域进行分类，而是进过CNN后，得到S*S个像素点的特征图
2. 每个网格单元负责检测目标中心落在此处的目标,网格单元预测B个bbox回归信息和置信度分数（回归信息有4个值，x和y是bbox相对于网格的偏移量，w和h是bbox相对于整张图的尺寸比例。confidence代表了所预测的bbox中含有object的置信度和这个box预测的有多准两重信息）
3. 最后特征图是 S*S, 每个像素点有B个5坐标Bbox位置信息和1个类别信息，S*S*（B*5+C)
4. 吴恩达:S*S*B*(5+C).每个bbox都是自己的分类结果

上述中confidence的计算公式为：如果有object落在一个grid cell里，Pr(Object)取1，否则取0

每个网格预测的class信息 和每个bbox所预测的confidence相乘，得到每个bbox的class-specific confidence score：

得到每个bbox属于某一类的概率。对class-specific confidence score设置阈值进行筛选，并通过NMS得到最终结果

训练

• 对训练数据中的每个ground truth，指定S*S*B个bbox中的一个与之对应（IOU最大）
• confidence取值：对所有bbox，若与ground truth对应，取值应为两者的IOU，其他bbox为0
• 激活函数：leaky rectified linear activation:漏泄ReLu：