YOLO 论文阅读
YOLO( Y ou O nly L ook O nce)是一个流行的目标检测方法，和Faster RCNN等state of the art方法比起来，主打检测速度快。截止到目前为止（2017年2月初），YOLO已经发布了两个版本，在下文中分别称为 YOLO V1 和 YOLO V2 。YOLO V2的代码目前作为 Darknet 的一部分开源在 GitHub 。在这篇博客中，记录了阅读YOLO两个版本论文中的重点内容，并着重总结V2版本的改进。 Update@2018/04: YOLO v3 已经发布！可以参考我的博客 论文 - YOLO v3 。 YOLO V1 这里不妨把YOLO V1论文 “You Only Look Once: Unitied, Real-Time Object Detection” 的摘要部分意译如下： 我们提出了一种新的物体检测方法YOLO。之前的目标检测方法大多把分类器重新调整用于检测（这里应该是在说以前的方法大多将检测问题看做分类问题，使用滑动窗提取特征并使用分类器进行分类）。我们将检测问题看做回归，分别给出bounding box的位置和对应的类别概率。对于给定输入图像，只需使用CNN网络计算一次，就同时给出bounding box位置和类别概率。由于整个pipeline都是同一个网络，所以很容易进行端到端的训练。 YOLO相当快。base