1 目标检测问题分析

无论是以R-CNN、Fast R-CNN和Faster R-CNN为主的two-stage目标检测方法，还是以YOLO和SSD为主的one-stage目标检测方法，其核心都是找到RoI，并对RoI中的目标进行分类，以及对RoI的边框进行回归修正。如图1所示。

图1 检测框架

甚至于最新的CornerNet算法，不断地提升候选框提取效率、候选框有效率、候选框精准度以及与分类框架的融合。如图2 所示。

图2 Cornet Net

主要是为了解决两个核心问题：

• 目标分类。
• 目标定位修正。

2 YOLO训练框架

这里先抛出darknet，因为华盛顿大学的兄弟在做YOLO的时候用的就是darknet，这是个用C编写的深度学习框架，当然功能和caffe、tensorflow、pytorch没法比，但是作为一个菜鸟，我依然对这个框架不是很理解。这个就需要时间去打磨了。有兴趣的读者可以去看下darknet的中文注释。

3 YOLO网络架构

3.1 YOLO V1

YOLO V1使用darknet的前20个卷积层，然后接着一个全局池化和一个全连接层，构建一个预训练模型。该预训练模型来提高backbone的性能。

图3 YOLO V1框架

由图3可知，Darknet的完整框架包括（24卷积层+2全连接层）。输入是​的图像，输出是​。这里的输出通道可以表述为 ​ 包括：

• 20表示20个类别的概率（VOC数据集的类别数为20个）
• ​两个目标框，即为两个​有8个元素
• 2表示两个目标框的置信度

RoI网格划分是通过最后一个卷积层的输出体现。该卷积层的输出为​，特征图的尺寸为​，将原图划分成了​的网格区域，每个网格预测20个类别的概率，目标框置信度以及两个目标框信息，其中每个目标的中心位置都会转换至网格区域内。

图4 感受野

最新的版本中的最后的两个全连接层被替换为了局部全连接层、dropout和1715输出的全连接层。这里的1715为。这里的35包括：

• 20个类别概率
• 3个目标框置信度
• 3个目标框坐标信息

图5 局部全连接层

每个类别的真实置信度的计算公式如下：