资源搜索
学习笔记：YOLO系列-V1、V2与V3：You Only Look Once
本人总结
在开始进入具体算法实现之前，我们还是先简单随便聊一聊。目标检测应该说是计算机视觉领域中比较好玩而且实际的方向，我们给定一张输入图像，目标检测系统就可以识别出图片中各个目标的位置。它主要的一个应用前景就是无人驾驶，因为在无人驾驶汽车上装载此系统，无人车就像有了眼镜，可以快速检测出前面的行人与车辆等，来实时做出相应的决策。
上面聊了什么是目标检测以及最可能实际应用的场景，那下面我们简单说一个传统目标检测和深度学习方法。其中传统目标检测方法有Viola-Jone（人脸检测）、HOG+SVM（行人检测）、DPM（物体检测）、Sofe-NMS（非极大抑制）等方法，它们主要的流程如下图：
在这里说明一下候选框提取主要使用的方法一般是滑动窗口的方法。好了，如果想继续了解传统目标检测的，就请网上自己搜索一下吧，资料很多。其实，深度学习目标检测方法的时候，都是要在传统的基础上发展过来的。本人理解的是，把传统部分的关键步骤拿卷积网络实现一下，效果不错。然后，后面在继续优化，最终实现一个端到端的学习。好，那当前比较流行的深度学习目标检测网络有哪些呢？比较流行的分为两类：一类是基于Region Proposal的R-CNN系算法（R-CNN、Fast R-CNN、Faster R-CNN）,即two-stage网络。为什么叫two-stage网络，主要是在实现过程中，先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal（产生后选区域并实现一个背景和目标的分类，以及初步确定目标的位置），然后在此基础上做分类和回归。另外一类就是以YOLO、SSD为代表的one-stage算法，只需要一个CNN网络就可以预测出不同目标的位置。讲了那么，还是来张图看一下，单目标和多目标的检测及分类的效果：
既然是两种不同实现方法，就存在各自优缺点，第一类two-stage就是准确度很高、但是速度比较慢；第二类one-stage就是速度很快，但是精度偏低。下面我们一起来看一下one-stage的代表YOLO的发展过程，但是在开始深入前，我们还是先解决一个疑问：是什么样的算法框架，造成了两类算法不同的性能？下面给出一张，深度学习目标检测的曲线，对哪个感兴趣，自己下去好好查查吧。
