{"notes":[{"id":"classic-cnns/overfeat","category":"classic-cnns","legacyPath":"","legacySlug":"","legacyPaths":[],"title":"OverFeat","subtitle":"一网打尽","author":"Z. Yuan","paperDate":"2013-12-21","publishedOn":"2025-10-18","world":"external/overfeat","paperTitle":"OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks","paperUrl":"https://arxiv.org/abs/1312.6229","bibliography":{"title":"OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks","authors":["Pierre Sermanet","David Eigen","Xiang Zhang","Michael Mathieu","Rob Fergus","Yann LeCun"],"url":"https://arxiv.org/abs/1312.6229","pdfUrl":"https://arxiv.org/pdf/1312.6229v4","codeUrl":null,"preprint":{"id":"1312.6229","submittedOn":"2013-12-21","url":"https://arxiv.org/abs/1312.6229"},"publication":null,"citation":"@misc{classiccnnsoverfeat2013,\n  title = {{OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks}},\n  author = {Pierre Sermanet and David Eigen and Xiang Zhang and Michael Mathieu and Rob Fergus and Yann LeCun},\n  year = {2013},\n  eprint = {1312.6229},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/1312.6229}\n}\n","citationPath":"/content/papers/citations/classic-cnns/overfeat.24bd64ee73bc.bib"},"thumbnail":{"src":"/content/papers/assets/d52a811beca4cb19a17ff9c1e4d1fb5c130f8426db67edfc11b7f5ebec4e525e.png","width":988,"height":1594},"locale":"zh-hans","path":"/content/papers/zh-hans/classic-cnns/overfeat.3e727cf7bb4b.md","headings":[{"id":"定义问题","text":"定义问题","depth":2},{"id":"解决问题","text":"解决问题","depth":2},{"id":"分类网络","text":"分类网络","depth":3},{"id":"滑动窗口为什么不贵","text":"滑动窗口为什么不贵","depth":3},{"id":"输出太稀疏","text":"输出太稀疏","depth":3},{"id":"多个尺度先取最大再平均","text":"多个尺度，先取最大再平均","depth":3},{"id":"从分类到画框","text":"从分类到画框","depth":3},{"id":"累积而不是抑制","text":"累积，而不是抑制","depth":3},{"id":"检测在训练时顺手挑负样本","text":"检测：在训练时顺手挑负样本","depth":3},{"id":"讨论","text":"讨论","depth":2},{"id":"分类","text":"分类","depth":3},{"id":"定位","text":"定位","depth":3},{"id":"检测","text":"检测","depth":3},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"object-detection/yolov1","relation":"referenced","topic":""},{"id":"segmentation/fcn","relation":"referenced","topic":""}]},{"id":"object-detection/yolov1","category":"object-detection","legacyPath":"object-detection/1506-yolov1","legacySlug":"1506-yolov1","legacyPaths":[],"title":"YOLOv1","subtitle":"只要看一次","author":"Z. Yuan","paperDate":"2015-06-08","publishedOn":"2024-08-01","paperTitle":"You Only Look Once: Unified, Real-Time Object Detection","paperUrl":"https://arxiv.org/abs/1506.02640","bibliography":{"title":"You Only Look Once: Unified, Real-Time Object Detection","authors":["Joseph Redmon","Santosh Divvala","Ross Girshick","Ali Farhadi"],"url":"https://arxiv.org/abs/1506.02640","pdfUrl":"https://arxiv.org/pdf/1506.02640","codeUrl":null,"preprint":{"id":"1506.02640","submittedOn":"2015-06-08","url":"https://arxiv.org/abs/1506.02640"},"publication":{"venue":"CVPR","year":2016,"kind":"conference","url":"https://openaccess.thecvf.com/content_cvpr_2016/html/Redmon_You_Only_Look_CVPR_2016_paper.html"},"citation":"@misc{objectdetectionyolov12015,\n  title = {{You Only Look Once: Unified, Real-Time Object Detection}},\n  author = {Joseph Redmon and Santosh Divvala and Ross Girshick and Ali Farhadi},\n  year = {2015},\n  eprint = {1506.02640},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/1506.02640}\n}\n","citationPath":"/content/papers/citations/object-detection/yolov1.a6add3d1501c.bib"},"thumbnail":{"src":"/content/papers/assets/de2999633c20d235ccf6c7c3f0b2d7488ca55b32be8a406c1c988b0d117c1408.jpg","width":1028,"height":692},"locale":"zh-hans","path":"/content/papers/zh-hans/object-detection/yolov1.87b80334b850.md","headings":[{"id":"定义问题","text":"定义问题","depth":2},{"id":"解决问题","text":"解决问题","depth":2},{"id":"模型架构","text":"模型架构","depth":3},{"id":"损失函数","text":"损失函数","depth":3},{"id":"推论场景","text":"推论场景","depth":3},{"id":"步骤-1排序","text":"步骤 1：排序","depth":4},{"id":"步骤-2-和-3选择和抑制","text":"步骤 2 和 3：选择和抑制","depth":4},{"id":"重复步骤-3-和步骤-4","text":"重复步骤 3 和步骤 4","depth":4},{"id":"讨论","text":"讨论","depth":2},{"id":"推论速度","text":"推论速度","depth":3},{"id":"和其他方法的比较","text":"和其他方法的比较","depth":3},{"id":"模型限制","text":"模型限制","depth":3},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"object-detection/yolov2","relation":"next","topic":"从 YOLO 到多尺度单阶段检测"}]},{"id":"segmentation/fcn","category":"segmentation","legacyPath":"segmentation/1411-fcn","legacySlug":"1411-fcn","legacyPaths":[],"title":"FCN","subtitle":"全卷积网络","author":"Z. Yuan","paperDate":"2014-11-14","publishedOn":"2024-09-11","paperTitle":"Fully Convolutional Networks for Semantic Segmentation","paperUrl":"https://arxiv.org/abs/1411.4038","bibliography":{"title":"Fully Convolutional Networks for Semantic Segmentation","authors":["Jonathan Long","Evan Shelhamer","Trevor Darrell"],"url":"https://arxiv.org/abs/1411.4038","pdfUrl":"https://arxiv.org/pdf/1411.4038","codeUrl":null,"preprint":{"id":"1411.4038","submittedOn":"2014-11-14","url":"https://arxiv.org/abs/1411.4038"},"publication":{"venue":"CVPR","year":2015,"kind":"conference","url":"https://arxiv.org/abs/1411.4038"},"citation":"@misc{segmentationfcn2014,\n  title = {{Fully Convolutional Networks for Semantic Segmentation}},\n  author = {Jonathan Long and Evan Shelhamer and Trevor Darrell},\n  year = {2014},\n  eprint = {1411.4038},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/1411.4038}\n}\n","citationPath":"/content/papers/citations/segmentation/fcn.1c65fe1c14c6.bib"},"thumbnail":{"src":"/content/papers/assets/1a8a4d2936086814cc5bd26819653959fe4cc29c64c5cba2009f8b8e43c87842.jpg","width":1224,"height":684},"locale":"zh-hans","path":"/content/papers/zh-hans/segmentation/fcn.8d31bf9463ac.md","headings":[{"id":"定义问题","text":"定义问题","depth":2},{"id":"解决问题","text":"解决问题","depth":2},{"id":"模型架构","text":"模型架构","depth":3},{"id":"上采样","text":"上采样","depth":3},{"id":"多尺度融合","text":"多尺度融合","depth":3},{"id":"训练数据集与策略","text":"训练数据集与策略","depth":3},{"id":"评估指标","text":"评估指标","depth":3},{"id":"讨论","text":"讨论","depth":2},{"id":"pascal-voc-结果","text":"PASCAL VOC 结果","depth":3},{"id":"nyudv2-结果","text":"NYUDv2 结果","depth":3},{"id":"sift-flow-结果","text":"SIFT Flow 结果","depth":3},{"id":"结论","text":"结论","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"feature-fusion/unet","relation":"next","topic":"密集预测与编解码器的跳连"}]}],"text":"2012 年，AlexNet 同时拿下了 ImageNet 竞赛的分类与定位两项冠军。\n\n分类的做法写在论文里，大家都读过。定位呢？当时没有任何发表的文章说明他们是怎么做的。\n\n纽约大学 Yann LeCun 实验室的 Pierre Sermanet 等人在 2013 年 12 月发布了这篇论文，后来发表在 ICLR 2014。他们在引言里直接说，这是第一篇清楚说明卷积网络如何在 ImageNet 上做定位与检测的论文。他们的系统拿下了 2013 年竞赛的定位冠军，并用同一个网络参加了分类与检测。\n\n论文还一并发布了训练好的模型，作为特征提取器，名字就叫 OverFeat。\n\n## 定义问题\n\n论文处理三个任务，难度一个比一个高，前一个是后一个的一部分：\n\n1. **分类**：每张图只有一个标签，可以猜 5 次，有一次猜对就算对。\n2. **定位**：同样猜 5 次，但每次除了类别，还要给出一个框；框与标准答案的交集除以并集（IoU）至少 50%，类别也对，才算对。\n3. **检测**：一张图里可以有任意数量的物体，也可能一个都没有；用 mAP 计分，错误的框会被扣分。\n\nImageNet 的分类数据，物体通常在画面中央、占了大半张图，但仍有不少物体的大小和位置差异很大。最直接的办法是滑动窗口：在图像的每个位置、每个尺度都跑一次网络。\n\n这带来两个问题。\n\n第一是计算量。一张图要切成成千上万个窗口，每个都完整跑一次卷积网络，成本很高。\n\n第二是窗口和物体对不齐。很多窗口只框到物体的一部分，例如只框到狗的头；这足以让分类器认出是狗，却不足以告诉你整只狗在哪里。作者说这会得到「不错的分类、很差的定位与检测」。\n\n作者因此提出三个想法：在网络里高效地做多尺度的滑动窗口；让每个窗口除了预测类别，也预测物体框相对于窗口的位置；最后把各个窗口的证据累积起来。\n\n## 解决问题\n\n### 分类网络\n\nOverFeat 的分类网络和 AlexNet 类似，有几处不同：不用 contrast normalization、池化区域不重叠，第一、二层的特征图也比较大。\n\n论文其实准备了两个版本：**快速模型**的第一层是 $11\\times11$、步幅 4；**精确模型**的第一层改成 $7\\times7$、步幅 2，网络也多了一层、特征图更多。两者的参数量差不多（快速 1.45 亿、精确 1.44 亿，AlexNet 约 6,000 万），但精确模型的连接数将近两倍。\n\n训练时，图像的短边缩放到 256，随机裁出 $221\\times221$ 的区域；这时网络被当作非空间的模型，最后输出 $1\\times1$ 的分类向量。到了测试时，才改成在整张图上滑动。\n\n### 滑动窗口为什么不贵\n\n[![上下两排示意图。上排：14×14 的输入经过 5×5 卷积、2×2 池化，再经过分类器的 5×5、1×1、1×1 卷积，最后输出 1×1。下排：输入放大成 16×16，每一步的特征图都多出一圈黄色区域，最后输出 2×2](/content/papers/assets/cd9ddd6b129a1c495df34121de190dc6244cb4d520df8eca6fcf86f44e85a94d.png)](/content/papers/assets/cd9ddd6b129a1c495df34121de190dc6244cb4d520df8eca6fcf86f44e85a94d.png)\n\n*原论文 Figure 5，取自 [**v4 PDF 第 8 页**](https://arxiv.org/pdf/1312.6229v4#page=8)。上排是训练时的输入大小，只输出一个位置；下排是测试时放大的输入，输出变成 $2\\times2$。黄色是放大输入后多出来的计算。图中省略了通道维度。*\n\n先看上排。$14\\times14$ 的输入，经过 $5\\times5$ 卷积变成 $10\\times10$，池化后剩 $5\\times5$；分类器的第一层读入整个 $5\\times5$，输出一个位置，后面两层都是 $1\\times1$。\n\n分类器原本是全连接层。作者的观察是：全连接层读入一块固定大小的输入，等同于一个同样大小的卷积核；后面的全连接层则等同于 $1\\times1$ 卷积。这样一来，整个网络就只剩卷积、池化与 ReLU。\n\n再看下排。输入放大到 $16\\times16$，每一层的特征图都多出一圈，最后的输出变成 $2\\times2$，也就是 4 个窗口的分类结果。重叠的部分只算一次，多出来的计算只有黄色的那一圈。\n\n这就是卷积网络做滑动窗口的天然优势：在整张图上跑一次，就得到所有窗口的答案，不用把每个窗口切出来分别计算。\n\n### 输出太稀疏\n\n不过，一次跑完也有代价。精确模型从输入到最后一层卷积，经过步幅 2 的卷积与三次池化，总共缩小 $2\\times3\\times2\\times3=36$ 倍。也就是说，分类器在输入图像上每隔 36 个像素才有一个输出。\n\n窗口和物体对得越准，网络的置信度越高；每隔 36 个像素才看一次，很容易错过最对齐的位置。作者发现，这样的稀疏输出甚至比 AlexNet 那种固定 10 个裁剪的做法还差。\n\n他们的解法是不在最后一次池化时丢掉分辨率。原本最后一次是 $3\\times3$、不重叠的最大池化；现在把池化的起点分别偏移 $\\Delta=0, 1, 2$ 个像素，各做一次，再分别送进分类器，最后把结果交错排回去：\n\n[![一维示意图。(a) 是长度 20 的第 5 层未池化特征图；(b) 用红、绿、蓝三种颜色表示偏移量 0、1、2 的三组池化，每组把 3 格合成 1 格，各得到 6 格；(c) 是三组池化后的特征图；(d) 分类器以 5 格为窗口滑过，每组得到 2 个输出；(e) 把三组输出交错排成 6 格的输出图](/content/papers/assets/d672122ea6ddf57393ed938154239f60084b8afebb1434624615cbd3e2b890ac.png)](/content/papers/assets/d672122ea6ddf57393ed938154239f60084b8afebb1434624615cbd3e2b890ac.png)\n\n*原论文 Figure 3，取自 [**v4 PDF 第 6 页**](https://arxiv.org/pdf/1312.6229v4#page=6)。以第 2 个尺度的垂直方向为例，按实际比例绘制。*\n\n我们照着这张图算一遍。第 5 层未池化的特征图长度是 20；每个偏移量做一次 3 格的池化，再让 5 格宽的分类器滑过去：\n\n```python\nlayer5 = 20        # 第 5 层未池化特征图的长度（原论文 Figure 3 的例子）\npool, window = 3, 5\n\ndef starts(offsets):\n    \"\"\"分类器每个窗口的起点，以第 5 层的像素为单位。\"\"\"\n    out = []\n    for d in offsets:\n        pooled = (layer5 - d) // pool          # 这个偏移量下池化后的长度\n        for k in range(pooled - window + 1):   # 分类器以 5 为窗口滑过\n            out.append(d + pool * k)\n    return sorted(out)\n\ncoarse, fine = starts([0]), starts([0, 1, 2])\nprint(\"只用 Δ=0：\", coarse, \"→ 每\", (coarse[1] - coarse[0]) * 12, \"个输入像素一个输出\")\nprint(\"Δ=0,1,2：\", fine, \"→ 每\", (fine[1] - fine[0]) * 12, \"个输入像素一个输出\")\n```\n\n```text\n只用 Δ=0： [0, 3] → 每 36 个输入像素一个输出\nΔ=0,1,2： [0, 1, 2, 3, 4, 5] → 每 12 个输入像素一个输出\n```\n\n每个偏移量池化后都剩 6 格，分类器在上面得到 2 个输出，正是图中 (c)、(d) 的长度；三组交错起来，就是 (e) 的 6 格。\n\n最后一次池化之前，网络已经缩小了 $2\\times3\\times2=12$ 倍，所以第 5 层上相邻的两格，在输入上相隔 12 个像素。只用 $\\Delta=0$，分类器每次跨 3 格，等于 36 个像素；三个偏移量都用上，就变成每一格都有输出，间隔缩小到 12 个像素。\n\n作者也换了一种说法来描述这件事：在每一个可能的偏移量上，各应用一次最后的池化与分类器，再把结果交错组合起来。\n\n### 多个尺度，先取最大再平均\n\n上面是单一尺度。实际分类时，作者把图像缩放成 6 种大小，从 $245\\times245$ 到 $461\\times569$，每种大小都做一次上面的流程，水平翻转后再做一次。最后的分类分三步：\n\n1. 每个尺度、每次翻转，各类别在所有位置上取最大值。\n2. 对不同尺度与翻转的结果取平均。\n3. 从平均后的类别向量取前 1 名或前 5 名。\n\n作者这样总结网络两部分的用法：前面的特征提取层对整张图一次性做卷积，最有效率；后面的分类器则反过来，以固定的 $5\\times5$ 输入，在第 5 层的特征图上，对每个位置、每个尺度做穷举搜索。\n\n### 从分类到画框\n\n定位要多做一件事：每个窗口除了说「这里有什么」，还要说「物体的框在哪里」。\n\n作者在分类网络的第 1 到 5 层后面，另外接了一个回归网络：两层全连接，分别是 4096 与 1024 个通道，最后输出 4 个数，代表框的四条边。和分类器一样，它也在 $3\\times3$ 种偏移下各算一次。最后一层为每个类别各准备一份，共 1000 份。\n\n训练时，第 1 到 5 层固定不动，只训练回归网络，用预测框和标准答案之间的 $\\ell_2$ 损失。和输入窗口重叠不到 50% 的物体框不拿来训练，因为物体的大部分在窗口外，交给其他包含它的窗口处理更好。\n\n回归网络也用多个尺度训练。作者说，这让不同尺度的预测彼此对得上，合并后的置信度也因此大幅提升，于是只用少数几个尺度就够了；尺度之间的比例约为 1.4，比行人检测常用的 1.05 到 1.1 大得多，系统也跑得更快。\n\n### 累积，而不是抑制\n\n每个尺度、每个位置都会输出一个框，加起来成千上万个。作者用一个贪心的合并算法把它们收敛成少数几个：\n\n1. 每个尺度取出最有把握的前 $k$ 个类别。\n2. 收集这些类别在所有位置、所有尺度上预测的框。\n3. 反复找出最相近的两个框，把它们合并成一个（坐标取平均），直到所有框之间的相近程度都低于阈值。\n\n相近程度由两个框中心的距离与交集面积计算。合并之后，框的置信度是所有被合并进来的窗口的分类分数之和。\n\n[![四行图像，主角是一只在瀑布里的熊。第一行是各尺度下分类器在每个位置的输出；第二行提高了输出的分辨率；第三行是回归网络在各位置预测的大量框，多数集中在熊的位置；最后一张只剩一个框住熊的框](/content/papers/assets/d52a811beca4cb19a17ff9c1e4d1fb5c130f8426db67edfc11b7f5ebec4e525e.png)](/content/papers/assets/d52a811beca4cb19a17ff9c1e4d1fb5c130f8426db67edfc11b7f5ebec4e525e.png)\n\n*原论文 Figure 6，取自 [**v4 PDF 第 9 页**](https://arxiv.org/pdf/1312.6229v4#page=9)。从上到下：各位置的类别与置信度、提高分辨率后的输出、回归网络预测的框，以及合并后的结果。*\n\n这张图的第三行，回归出来的框大多挤在熊的位置；中间也有几个「乌龟」和「鲸鱼」的框，但它们的分类置信度最高只有 0.11 和 0.12，框的位置也很分散，合并后累加不起来，最后落到阈值以下。熊的框则置信度高（每个尺度平均约 0.5），位置又一致，合并成一个置信度很高的框。\n\n作者把这和传统的非极大值抑制（NMS）做了对照：NMS 只留下分数最高的框，把其他的丢掉；这里则是让一致的框互相加分，所以单纯由分类器带来的零星误报更容易被排除。\n\n### 检测：在训练时顺手挑负样本\n\n检测和定位的主要区别，是要能说出「这里没有物体」，也就是多一个背景类别。\n\n传统做法是先随机挑一些负样本训练，再把模型最常出错的负样本加回训练集，重复好几轮（bootstrapping）。作者觉得这样既复杂，又容易让负样本的收集和训练脱节，于是改成在训练时，每张图当场挑几个负样本，有随机的，也有模型最容易搞错的。计算量更大，流程却简单得多；而且特征层已经先用分类任务训练过，检测的微调不需要太久。\n\n## 讨论\n\n### 分类\n\n| 设置（验证集） | Top-1 | Top-5 |\n| --- | ---: | ---: |\n| AlexNet，1 个模型 | 40.7 | 18.2 |\n| 快速模型，1 个尺度，只用 $\\Delta=0$ | 39.28 | 17.12 |\n| 快速模型，1 个尺度，三个偏移 | 39.01 | 16.97 |\n| 快速模型，6 个尺度，三个偏移 | 38.12 | 16.27 |\n| 精确模型，固定 10 个裁剪 | 35.60 | 14.71 |\n| 精确模型，4 个尺度，三个偏移 | 35.74 | 14.18 |\n| 7 个精确模型，4 个尺度，三个偏移 | 33.96 | 13.24 |\n\n*表：错误率（%）摘自原论文 Table 2。*\n\n单一尺度时，三个偏移只带来一点点进步（17.12% → 16.97%）；作者说它在多尺度时更重要。从 1 个尺度到 6 个尺度，top-5 错误率从 16.97% 降到 16.27%。精确模型用多尺度滑动，比固定 10 个裁剪好了约半个百分点（14.71% → 14.18%）。\n\n在竞赛的测试集上，OverFeat 用 7 个快速模型投票，top-5 错误率 14.2%，在 18 支队伍中排第五；当年只用 ILSVRC13 数据的最好成绩是 11.7%。赛后他们用更大的模型降到了 13.6%。\n\n### 定位\n\n作者在 ILSVRC12 的验证集上比较了几种设置：\n\n- 只用一个中心裁剪：错误率约 40%。\n- 合并所有位置、两个尺度的预测：31.5%。\n- 增加到四个尺度：30.0%。\n- 每个类别各用一个回归头（per-class regressor），反而比所有类别共用一个差很多：44.1% 对 31.3%。作者推测是每个类别带框的训练样本太少，参数却多了 1000 倍。\n\n在竞赛的测试集上，OverFeat 以 29.9% 的错误率拿下了 2013 年的定位冠军。\n\n### 检测\n\n竞赛期间，OverFeat 的检测系统以 19.4% 的 mAP 排第三，冠军 UvA 是 22.6%。赛后，他们把训练拉长，每个尺度也加入较低分辨率的输入作为上下文，把 mAP 提高到 24.3%，超过了当时所有的结果。\n\n作者也提醒了两件事。第一，前两名都先用图像分割生成候选区域，把要检查的窗口从大约 20 万个降到 2,000 个；文献指出这能减少误报，而 OverFeat 走的是密集滑动窗口。第二，NEC 和 UvA 在检测的验证集上做了微调，OverFeat 没有；验证集、测试集与训练集的分布差得够多，光这一步就能提升约一个百分点。\n\n## 结论\n\nOverFeat 示范了一件当时还没人写清楚的事：分类、定位与检测可以共用同一个卷积网络，滑动窗口在卷积网络里也可以算得很便宜。它的定位成绩是 2013 年最好的，检测也在赛后达到了最佳。\n\n这个纪录没有保持太久。R-CNN 先用 selective search 生成候选区域，每个区域各跑一次卷积网络；它的论文在后续版本中加入了同一个 ILSVRC 2013 检测基准，[报告了 31.4% 的 mAP](https://arxiv.org/abs/1311.2524)，对比 OverFeat 的 24.3%。同一篇论文也承认，OverFeat 快了大约 9 倍（每张图约 2 秒），因为它的滑动窗口不需要在图像层面做变形，重叠的计算可以共享。\n\n后来的 YOLO 在相关工作中这样描述 OverFeat：它能高效地做滑动窗口检测，但仍然是一个拆开的系统，是为定位而非检测优化的；每个预测只看得到局部信息，需要大量后处理才能得到一致的检测结果。YOLO 改成让网络一次看整张图，直接输出所有框。\n\n\n> [!TIP]\n> \n> YOLO，以及同样把全连接层看作卷积、让分类网络输出整张预测图的 FCN，可以参考我们的笔记：\n> \n> - **[[15.06] YOLOv1：只要看一次](/blog/papers/object-detection/yolov1)**\n> - **[[14.11] FCN：全卷积网络](/blog/papers/segmentation/fcn)**\n\n\n回头看，YOLO 和 FCN 的很多做法，在这篇里都能看到影子：把全连接层当成卷积、整张图一次算完、直接在特征图上回归框。只是 2013 年的 OverFeat 还把这些拆成了好几个步骤。\n\n如果你读过 YOLO，不妨回头对照这篇，会更清楚 YOLO 到底改了哪些地方。\n","imageSizes":{"/content/papers/assets/cd9ddd6b129a1c495df34121de190dc6244cb4d520df8eca6fcf86f44e85a94d.png":{"width":1016,"height":576},"/content/papers/assets/d672122ea6ddf57393ed938154239f60084b8afebb1434624615cbd3e2b890ac.png":{"width":662,"height":324},"/content/papers/assets/d52a811beca4cb19a17ff9c1e4d1fb5c130f8426db67edfc11b7f5ebec4e525e.png":{"width":988,"height":1594}}}