之前做object detection用到的都是two stage，one stage如YOLO、SSD很少接触，这里开一篇blog简单回顾该系列的发展。很抱歉，我本人只能是蜻蜓点水，很多细节也没有弄清楚。有需求的朋友请深入论文和代码，我在末尾也列出了很多优秀的参考文章。
YOLOv1You Only Look Once: Unified, Real-Time Object Detection
核心思想用一个CNN实现end-to-end，将目标检测作为回归问题解决。
将输入图片分割为\(S\times S\)网格，如果物体的中心落入网格中央，这个网格将负责检测这个物体。因此网络学会了去预测中心落在该网格中的物体。
每个网格预测\(B\)个bounding boxes和confidence scores。confidence scores包含两方面：
这个boundingbox包含物体的可能性\(Pr(Object)\)：bb包含物体时\(Pr(Object)=1\)否则为0。
这个boundingbox的准确度\(IOU^{truth}_{pred}\)：pred和gt的IoU。
因此，confidence scores可定义为$Pr(Object)*IoU^{truth}_{pred} $
每个bbox包含5个predictions：\(x,y,w,h和confidence\)：\((x,y)\)表示bbox中心坐标，\(h,w\)表示bbox长宽，\(confidence\)表示pred和gt box的IoU。
每个网格预测\(C\)个类别概率\(Pr(Class_i|Object)\)，表示该网格负责预测的边界框目标属于各类的概率。我们不考虑box的数量即\(B\)。
测试阶段我们将类别概率和confidence score相乘，得每个box的类特定confidence score：
\[Pr(Class_i|Object)*Pr(Object)*IoU^{truth}_{pred}=Pr(Class_i)*IoU^{truth}_{pred}\]
表示box中类别出现的概率和预测box与目标的拟合程度。
将图片分解为$S\times S \(个gird，每个grid预测\)B\(个bbox，confidence和\)C\(个类概率，预测值为\)S\times S \times (B*5+C)$
网络架构网络结构参考GooLeNet，包含24个卷积层和2个激活层，卷积层使用1x1卷积降维然后跟3x3卷积。对于卷积层和全连接层，采用Leaky ReLU：\(max(x,0.1x)\)，最后一层采用线性激活层。
网络输出维度为30(\(B=2\))，前20个元素是类别概率值，然后2个是边界框置信度，最后8个是bbox的\((x,y,w,h)\)。
Loss：YOLO把分类问题转化为回归问题
第一项是bbox中心坐标误差项；第二项是bbox高与宽误差项；
第三项是包含目标bbox置信度误差项；第四项是不包含目标bbox置信度误差项；
最后一项是包含目标的grid分类误差项。
将Loss对应到predtion张量上：
SSD:Single Shot MultiBox Detector
核心思想速度比YOLO快，精度可以跟Faster RCNN媲美。
采用多尺度特征图用于检测：大特征图检测小目标，小特征图检测大目标。
采用卷积进行检测：与YOLO最后采用全连接层不同，SSD直接采用卷积提取检测结果。
设置先验框：借鉴Faster RCNN中anchor理念，为每个网格设置不同长宽比的anchor，bbox以anchor为基准。
在VGG16基础上增加了卷积层获得更多特征图用于检测。
上是SSD，下是YOLO
YOLO9000: Better, Faster, Stronger
核心思想