YOLOv1 论文笔记

论文地址：You Only Look Once: Unified, Real-Time Object Detection
前记： 在YOLO之前，绝大部分目标检测算法都是采用分类的思想进行的，比较具有代表性的如DPM算法，通常都是在图像上采用滑窗的方法，然后对每一个小窗口进行分类，最后就完成整张图像的目标检测，将检测问题转化为分类问题是这一类方法的主要思想，但是这一类方法存在一个巨大的弊端，由于你无法确定目标的大小，因此，在做使用滑窗算法的时候必须选用不同大小比例的窗口进行滑动，以确保不会存在漏检，这就导致会有很多并不包含目标的子区域，这些大量子区域通过分类器进行预测无疑需要很大的计算量，R-CNN为了避免这一问题采用了selective search的方法来尽可能找到包含目标的子区域，尽管效率有所提升，但是整个过程还是非常耗时的。
YOLO则转变思想，将检测问题当作一个回归问题来解决，只需要单一的一个网络便能预测出目标的类别以及位置，属于one-stage类算法，前面文章SSD也属于这一类算法，正因为如此，YOLO可以实现end-to-end的预测，达到实时的检测目标， 一个简单的检测流程如下图：

YOLO的优势：

1. YOLO检测速度非常快，在TITAN X GPU上能达到45帧每秒，实现了实时的检测，fast yolo能达到150帧每秒，相对于其它实时检测算法而言，yolo的精度是其它算法平均水平的两倍
2. YOLO在预测的时候看到的是图像的全局信息，不同于sliding window 和region proposal方法只能看到局部信息，相对于Fast R-CNN Yolo 有着更低的背景误检率（将背景检测为目标）
3. YOLO学习了目标的generalizable representations， 即泛化能力更强

统一检测：

1. YOLO将输入图像分为S X S个单元网格， 如果目标的中心落入到某一个单元网格中，那么该网格就负责预测该目标
2. 每一个单元网格预测B个bounding box（注意：yolov1是没有先验框的）， 每一个bounding box 预测一个置信度和四个坐标值（x, y, w, h），置信度表明该box 包含目标的可能性，置信度的计算 方法定义为：$Pr(object)\ast IO{U}_{pred}^{truth}$， 如果该box不包含目标时$Pr(object)$为0， 则confidence为0， 如果包含目标$Pr(ob$