了解一个架构或者算法，首先明确输入和输出。虽然输入和输出是算法定义的一部分，但是很遗憾，经常看到一些报告会忽略这个问题，分析思路是输入，详细过程和输出。可能导致的一个问题是陷入到详细过程的细节中不能自拔。回顾分类过程，一种常见的结构是网络结构高层为全连接层加上Softmax层，输入一张图片和对应标签，全连接层得到特征的向量化表示，Softmax层后得到一个预测结果，通过预测结果和标签对比，得到反馈信号进行反向传播，得到网络结构的参数更新量，下一张图片喂给模型，过程类似，以此类推，参数的更新效应是累计的，所以需要一张一张图片喂给模型。从优化角度或者站在全局的角度，Loss函数是基于所有样本定义的一个巨大的网络参数搜索空间，优化的过程是通过SGD等方法尽可能找到全局最优的过程，而训练过程，或者Pipeline驱动了寻优的进行。

回到检测过程，检测是定位和分类的和。如何定位？坐标或者说bounding box，小方块。那一个直接的思路就来了，把图片分成好多个小方块，分别对小方块进行分类。当然可以的，但是缺点也是很多的，比如说物体尺度的问题，物体有大有小；随之带来的问题是，计算消耗的问题（括号中内容可以不看，针对这个问题，假设是基于卷积的分类网络，原始方法是一个个拿出小方块，喂给分类网络，改进方法是对原图中的多个小方块同时进行分类，核心是通过卷积操作，在卷积分类网络的最后一层输出所有小方块的预测结果，非常棒的想法，前提是卷积分类网络，代表工作学名OverFeat）；等等。不过，不失为一种解决问题的方法，稍微学术点的叫法是基于滑动窗口的目标检测。实际上，比较后来的方法，这种方法最大的优点之一在于不需要打位置标签，检测的位置标签非常昂贵，这也从侧面反映出这种方法在定位上精确不会很高，实在太粗糙，几乎没有任何物体位置的先验信息可以使用，注意这里是几乎没有。

能否按照分类的思路构造定位的过程？还是需要输入和输出的定义。定位是用bbox标出物体在图片中的位置。位置是从坐标来表示，如何唯一表示一个bbox？四个角的坐标可以，中心点的坐标加上bbox的宽高可以，对角线坐标可以。那么，输出就确定了，就是物体坐标，而且是多个坐标。整个Pipeline是输入一张图片，通过网络结构，输出图片中物体的坐标。这个过程在监督体系下，显然需要一个监督信号，也就是标签或者ground truth。类比分类问题，标签应该也是坐标了。输入确定了。如何构造反馈过程？比较预测的坐标和ground truth之间的距离就OK了，这个是一个显然的回归过程。这样，问题就清楚了。检测最终还是要回到分类和回归上。在分类问题中，我们存在特征提取的问题，分类网络到底提取了什么特征？其实，在检测问题中，这个问题应该依然存在。

到这里，可以设计一个最简单的检测网络了。假设已经有一个分类网络了，在全连接层后加上一个回归层，Softmax层输出一个信号，回归层输出四个信号(比如bbox用物体中心点坐标，长，宽表示)。或者换种角度理解，一个网络结构，对应两个任务，一个分类，一个回归，且任务之间具有相关性。

当训练完成后，给网络输入一张图片，就可以输出图片中物体的位置和类别，是不是非常棒！

类比人脸关键点检测，人体姿态检测，对任务轮廓的把握就基本上清晰了。

沿着OverFeat的思路，上文提到没有先验信息，导致位置预测不准确。怎么添加先验信息？一种最强先验莫过于在训练集中给出每个物体的ground truth。当给出ground truth的时候，直接回到上文对输入和输出讨论的一段内容。实际上，这个工作是YOLO早期的想法。此处提一个问题，为啥YOLO需要划分Cell？(相信可以很快得到答案)，另一个延伸问题是，撇开OverFeat的框架，撇开Cell，结合ground truth，定位的事情能不能做？

接下来的讨论是在YOLO早期工作的基础上展开的。按照OverFeat的想法，每个小方块代表一个候选物体，候选位置。稍后的博文中，候选的概念可能会经常看到。现在添加了ground truth，如果还要按照这个路子走，至少考虑两个问题。第一，满足每个小方块与一个物体有关。第二，利用好这部分先验信息。针对问题以，ground truth的midpoint落在哪个Cell，就与哪个Cell绑定；问题二上文已经讨论过。

这个路子还是很僵硬，不灵活。假设一个Cell中落入两个物体呢？YOLO的解决方案是添加几个不同尺度的anchor，想要把ground truth分开，midpoint的限制条件不够就添加限制条件，同时与原有体系兼容。这样，和原始的滑窗方法相比，原始的方式可以认为是固定大小和尺度的一种anchor，这种方式是固定大小和尺度的几种anchor，几种不同的尺度就不仅解决了一个Cell落入两个物体的问题，同时解决了多尺度检测的问题。此处，再次提出上文的一个问题，能不能撇开Cell的概念，直接谈多尺度anchor？但是考虑这个问题时，不能忽略利用卷积实现共享计算的问题，而实时性正是YOLO的卖点所在。

上周研讨班的讨论内容，拖到这周才去整理思路，懒。YOLO还有v2和v3的改进版，尚没有跟进。CVPR一波未平，ECCV一波又起，还不讨论ICML，NIPS，ICLR等。针对同样的任务，数据增强，网络结构，损失函数等改进众多，文章根本读不完。所以，关键的是把握脉络和发展方向，保持自己的思考。不能仅仅停留在怎么做的层面上，当然调参这件事，怎么做确实很重要，但是个人认为不具备太强的学习价值，各种做法的背后的原因和理解才是相对有价值的东西。