yolo 负样本_全监督检测之YOLO

最近大半年一直在准备论文，没有时间更新。最近论文投了打算来回顾一下经典的目标检测论文。之后会写一些弱监督检测的介绍，为了与弱监督检测区分，这里把所有使用包围盒标注的检测算法都叫做全监督检测算法。

yolo预测时的工作流程

说YOLO之前，先简单回顾一下经典的RCNN系列，RCNN系列方法都是先产生propoosals,然后提取proposals的特征之后利用特征来预测proposals是目标的概率以及对proposals进行修正。RCNN直接把proposals切割下来然后利用CNN提取特征，fast-RTCNN通过roi-pooling直接从共享的feature-map上得到proposals的特征，大大提升了检测速度。faster通过RPN先来生成数量更精确数量更少的proposal.能够进一步提升检测速度和精度。但是提取proposals特征的过程终究还是很耗时。YOLO没有region proposals的生成和特征提取过程，而是直接将图片划分成S*S的格子，然后直接在格子的基础上回归到目标框。每个格子会预测B个框的（x,y,w,h,confidence)五个个