《You Only Look Once：统一、实时的目标检测》

要解决的问题

目标检测不只要求计算机说出图像里有什么，还要求指出每个物体在哪里。此前一种常见做法，是把为图像分类训练的模型改造成检测器，再在检测流程中使用。^[1] 2015 年 6 月 8 日，Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi 将论文《You Only Look Once：统一、实时的目标检测》提交到 arXiv，提出换一个起点：不围绕分类器搭建检测流程，而是把检测本身当作一个预测问题。^[1]

怎么做

论文没有沿用把分类器改作检测器的路线，而是把目标检测表述为一个回归问题：网络直接预测空间上分开的边界框（bounding box）及其对应的类别概率（class probability）。一个单一的神经网络接收整张图像，在一次评估中直接给出这些预测。^[1] 用更直白的话说，模型让同一个网络同时输出位置和类别，而不是把分类器的输出另作检测用途。由于整个检测流程就是一个网络，它可以针对检测性能直接做端到端（end-to-end）优化；训练信号来自检测结果本身，而不是某个中间分类任务。^[1]

结果

基础版 YOLO 模型以每秒 45 帧的速度实时处理图像；更小的 Fast YOLO 达到每秒 155 帧，同时其平均精度均值（mean average precision, mAP）达到其他实时检测器的两倍。^[1] 这些数字说明，单个网络不仅能做检测，还能在实时速度下保持有竞争力的精度。论文同时报告了一种取舍：与当时最先进的检测系统相比，YOLO 的定位错误更多，也就是预测框对物体确切范围的刻画不够准；但它远不容易在什么都没有的地方预测出假检测。^[1] 对实际系统来说，背景上的误报往往代价很高，因此这一差异值得注意。作者还测试了模型学到的表示能否迁移：从自然图像泛化到艺术作品时，YOLO 在 Picasso 和 People-Art 数据集上以较大幅度超过 DPM 和 R-CNN。^[1]

为什么重要

这篇论文的重要性在于它给出的问题表述。检测被压缩成一个对边界框和类别概率的回归任务，整个流程成为一个可以按检测目标端到端训练的网络。^[1] 这种统一伴随着速度：基础模型每秒 45 帧，Fast YOLO 每秒 155 帧。^[1] 它也改变了错误结构：YOLO 的定位不如最先进系统精确，却明显更不容易在空白背景上产生假检测。^[1] 在 Picasso 和 People-Art 上的泛化结果则表明，网络学到的物体表示足够通用，能够承受从自然图像到艺术作品的视觉域变化。^[1] 这些结果把实时目标检测呈现为一个直接预测问题，而不是一串分别调校的分类器。^[1]