CV感悟：YOLO与R-CNN的比较

一、首先理解下“一步法”和“两步法”

two-stage方法，如R-CNN系算法
即是两步法：
  -- 第一步选取候选框
  -- 第二步对这些候选框分类或者回归
  
one-stage方法，如Yolo和SSD
即是一步法：
  -- 其主要思路是均匀地在图片的不同位置进行密集抽样
  -- 抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归
  -- 整个过程只需要一步，所以其优势是速度快

二、YOLO

即是YOU ONLY LOOK ONCE，俗称“一次就好”，我陪你去看天荒地老。。。跑题了。

先回忆下 R-CNN 是怎么选取候选框进行目标识别的
  -- 可以近似总结为暴力法(实际上是用selective-search选了2000个左右的候选框)，本质上是每一个尺寸每一个像素循环一遍
  fast R-cnn
  -- 本质上就是提取候选框的速度比R-CNN快；
  所有R-CNN的方法都是将目标检测分为两部分实现的：
    -- 1）物体的类别；分类问题。
    -- 2）物体的区域，即bounding box，回归问题。

回到YOLO：
  -- 是直接当做回归问题求解，输入图像经过处理，可以直接获取到图像中物体的类别及其confidence以及物体的位置。
  -- 具体方法是：
    -- YOLO将输入图像分为S×S个grid，每个grid负责检测落入其中的物体。
    -- 如果物体的中心位置落入该grid，则该grid就负责检测出这个问题。
    -- 每个grid输出B个bounding box的同时还要输出C个物体属于某类的confidence
    -- 从B个里面挑选IOU最大的那个bounding box，同时C是总共包含的类的类别。

三、补充说明：什么是grid,什么是IOU

grid是网格的意思，一般YOLO方法会把图片划分为 S*S 的网格，每个网格都负责检测物体并输出物体类别和位置，计算IOU

IOU，简单来讲就是模型产生的目标窗口和原来标记窗口的交叠率
  -- 具体计算：检测结果(DetectionResult)与 Ground Truth 的交集比上它们的并集，即为检测的准确率 IoU