YOLO
YOLO输出
假设我要训练一个 CNN 来识别三种类别：人、猫、狗。因此输出向量Y将只有三个元素C1、C2、C3，每个元素都是一个类别得分。如果有更多类别，这个向量将边长。对于上图，我们希望训练CNN识别图像中的人，并用一个边界框定位人。为此，向输出向量中添加边界框参数-x、y、w、h用于确定边界框的大小。x、y确定边框中心坐标;w、h确定边界框的宽和高。
滑动窗口
因为对象可以在给定图像的任何位置，你可以通过在整个图像上滑动一个小窗口，并检查创建的每个窗口中是否有对象 确保检测到所有这些对象。 滑动窗口：
- 选择窗口大小：希望窗口足够小 能够捕获图像中的任何小对象
- 然后将窗口放在图像的开始位置，并将窗口中的区域馈送到训练的 CNN 中
- 对于每个区域 这个 CNN 都会输出一个预测，即这个输出向量 y。pc 是介于 0 和 1 之间的概率，表示窗口中是否有对象。如果没有检测到对象，就不需要继续尝试分类该图像区域。
在此示例中 我们发现第一个窗口区域，不包含我们要查找的任何类别。此时 CNN 将输出一个 pc 等于 0 的向量。 滑动窗口方法效果不错，但是非常消耗计算资源。因为我们需要用不同大小的窗口扫描整个图像，并且需要将每个窗口馈送到 CNN 中。
eg.假设图片为16163
1.选择一个10*10像素的窗口：
如果使用2像素的步幅，则需要16个窗口才能覆盖整个图像：
在最初的Sliding Windows方法中，这16个窗口中的每一个都必须通过CNN单独传递。我们假设CNN具有以下架构：
CNN将10 x 10 x 3图像作为输入，然后它应用5,7 x 7 x 3过滤器。然后使用2 x 2 最大池化，然后是128 个2 x 2 x 5卷积核，然后是具有128个1 x 1 x 128卷积核。最后它具有8个1 x 1 x 128卷积核，代表softmax输出。 将上述CNN的输入从10 x 10 x 3改为16 x 16 x 3
可以看到，这个CNN架构与前面所示相同。如果第一个窗口通过CNN,可以看到结果是最后一个图层左上角。类似地，第二个窗口通过CNN,会在最后一层看到相应的结果：
同样，如果我们通过这个CNN跟随对应于第三个窗口的图像部分，我们会在最后一层看到相应的结果，如下图所示：
实际上，如果我们通过CNN跟踪所有的窗口，会看到所有16个窗口都包含在这个CNN的最后一层。因此，通过CNN单独传递16个窗口与通过CNN传递整个图像完全相同。
这种技术使整个过程更加高效。然而，这种技术有一个缺点：边界框的位置不会非常准确。原因是给定大小的窗口和步幅不可能完美地匹配图像中的对象。
为了提高边界框的准确性，YOLO使用网格而不是滑动窗口，并且使用交并比和非极大值抑制（Intersection Over Union and Non-Maximal Suppression） 上述技术的组合是YOLO算法运行良好的部分原因.