YOLO

论文地址：https://arxiv.org/pdf/1506.02640.pdf

YOLO：

　　网络结构：

　      　　

　　Input image size：448 * 448 * 3 ,

　　output tensor：7 * 7 * 30 (boxes number  * (x, y, w, h, confidence) + classes ) (boxed number = 2, classes = 20), image zoom out 64 times.

　　通过image的w和h将预测出来的box的w,h进行归一化到0与1之间，并将x,y(center)参数化到相对于特定的cell的坐标，使其处于在0与1之间。

Train:

　　首先用上面的网络结构里的前20层，在加上一个pool和全连接层，在ImageNet(224 * 224) 1000-classes上面做一个top-5的accuracy到达88%的预训练，然后再用在这前20层+4个conv layers+2个full connected layers.

　　所有层的激活函数都使用Leaky Rectified Linear activation:

　　　　

Loss Function：

　　　　因为sum-squared error 优化起来比较方便，所以使用方差误差.为了平衡正负样本数量对模型的影响，在其中加入了1和2号参数，1代表含有object的box的系数，2带便没有包含object的box的系数。默认设置位 1:5.0，2：0.5

　　　　又因为big box与small box 在求方差的时候会造成不同大小的误差（因为big box的基准大，所以产生的误差也大，所以对模型的影响也比small box造成的大，所以先求一个平方根，减小big box与small box对模型影响的差距。）

　　　　因为我们每个cell预测2个box，但是在训练的时候我们希望仅仅只有一个box负责来检测这个object，所以我们会在看看这两个box那个与gt的IOU最大，最大的负责检测。

　　　　5代表object出现在第i个cell，3代表这第i个cell的第j个box负责检测object.