1.yolo：You Only Look Once: Unified, Real-Time Object Detection
論文地址：https://arxiv.org/pdf/1506.02640.pdf
處理流程：輸入圖片需要縮放到448*448，最后生成一個維度為7*7*30的tensor。
創新點：因為是一階段的網絡，故而運行速度快。
論文的整體框架如下：
對於最后的7*7*30的tensor的意義如下：
將448*448的圖片分割成S*S的網格，每個網格都預測2個bounding boxes(如果物體的重心落在bounding box中，那么此bounding box負責檢測物體)。
等式：7*7*30=SxSx(B*5+C) 其中S=7，B=2，C=20(PASCAL VOC),5是指一個置信度和四個坐標值。
每個bounding box包含四個坐標值(Center_x,Center_y,width,height)和一個置信度(該bounding box內存在對象的概率 * 該bounding box與該對象實際bounding box的IOU)
其中Pr(Object)={0,1}，如果不存在物體，則為0，否則為1。
IOU可參考：https://www.cnblogs.com/AntonioSu/p/12193743.html
具體維度30各值所代表的意義：
2.YOLO9000: Better, Faster, Stronger
論文地址：https://arxiv.org/pdf/1612.08242.pdf
處理流程：兩階段訓練網絡，先classification，后detention。
classification：先用224*224的圖片預訓練Darknet-19，而后再用448*448的圖片微調網絡Darknet-19。
detention：每隔10個batches，換一種輸入維度{320,352...,680},而后對darknet-19做如下處理
移除最后一個卷積層、avgpooling層以及softmax層，並且新增了三個3*3*1024卷積層，同時增加了一個passthrough層，passthrough
對最后一個池化層的輸入做變化，將26*26*512變為13*13*2048做處理，而后與最后一層的13*13*1024拼接在一起，變為13*13*3072。最后通過1*1卷積核
變為13*13*125。
創新點：
1.通過聚類的方式找到每個特征點有5個anchor
2.沒使用全連接
3.平滑處理
Darknet-19
最后的13*13*125的解釋：
125=num_anchors *(4+1+num_classes) ，其中 num_anchors=5，num_classes=20(VOC)。
passthrough是為了檢測圖片中的小物體， passthrough層操作方式：
平滑處理：對坐標值加入exp(x)
3.YOLOv3: An Incremental Improvement
論文地址：https://arxiv.org/pdf/1804.02767.pdf
處理流程：先通過Darknet-53處理得到13*13*3*85的特征，而后再上采樣，分別得到26*26*3*85和 52*52*3*85.
創新點
1.detention網絡引入殘差
2.在不同的特征圖上做處理
3.沒用pooling，沒用全連接
Darknet-53
先驗框：
總共有 13*13*3 + 26*26*3 + 52*52*3 = 10647 個預測。每一個預測是一個(4+1+80)=85維向量，這個85維向量包含
邊框坐標（4個數值），邊框置信度（1個數值），對象類別的概率（對於COCO數據集，有80種對象）。
