CNN论文-YOLOv1

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

I. Motivation
   之前的目标检测如R-CNN系列模型一般分为3个步骤：
   (1) 通过region proposal methods产生bbox；
   (2) 通过分类器对这些bbox进行分类；
   (3) post-processing：refine bbox, eliminate duplicate detections, and rescore the box based on other objects in the scene
    复杂的pipeline，加上模型的不同部分需要分开单独训练，使得模型的优化速度很慢。YOLO提出的解决方法是，将目标检测视作回归任务，bbox坐标及分类结果都通过回归求得。如下图所示，CNN既预测bbox坐标，又预测bbox属于某一类的概率。

II.YOLO具体细节
  YOLO将输入图像划分为S*S的栅格，每个栅格负责检测中心落在该栅格中的物体，每一个栅格预测B个bounding boxes，以及这些bounding boxes的confidence scores。这个 confidence scores反映了模型对于这个栅格的预测：该栅格是否含有物体，以及这个box的坐标预测的有多准，即 ${\text{confidence=Pr(Object)*IOU}}_{\text{pred}}^{\text{truth}}$ . 如果这个栅格中不存在目标，则confidence score应该为0；否则的话，confidence score为predicted bbox与 ground truth box之间的 IoU。
  YOLO对每个bounding box有5个预测值：x, y, w, h,和confidence：
  坐标x,y代表了预测的bounding box的中心与栅格边界的相对值。
  坐标w,h代表了预测的bounding box的width、height相对于整幅图像width,height的比例。
  confidence就是预测的bounding box和ground truth box的IOU值。

  每一个栅格还要预测C个 conditional class probability（条件类别概率）：${\text{Pr(Class}}_i\text{|Object)}$。即在一个栅格包含一个Object的前提下，它属于某个类的概率。我们只为每个栅格预测一组（C个）类概率，而不考虑框B的数量。
注意：conditional class probabi