{"notes":[{"id":"classic-cnns/overfeat","category":"classic-cnns","legacyPath":"","legacySlug":"","legacyPaths":[],"title":"OverFeat","subtitle":"一網打盡","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-hant","path":"/content/papers/zh-hant/classic-cnns/overfeat.1c1eb22c6da2.md","headings":[{"id":"定義問題","text":"定義問題","depth":2},{"id":"解決問題","text":"解決問題","depth":2},{"id":"分類網路","text":"分類網路","depth":3},{"id":"滑動視窗為什麼不貴","text":"滑動視窗為什麼不貴","depth":3},{"id":"輸出太稀疏","text":"輸出太稀疏","depth":3},{"id":"多個尺度取最大再平均","text":"多個尺度，取最大再平均","depth":3},{"id":"從分類到畫框","text":"從分類到畫框","depth":3},{"id":"累積而不是抑制","text":"累積，而不是抑制","depth":3},{"id":"偵測在訓練時順手挑負樣本","text":"偵測：在訓練時順手挑負樣本","depth":3},{"id":"討論","text":"討論","depth":2},{"id":"分類","text":"分類","depth":3},{"id":"定位","text":"定位","depth":3},{"id":"偵測","text":"偵測","depth":3},{"id":"結論","text":"結論","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-hant","path":"/content/papers/zh-hant/object-detection/yolov1.27ae7c8c920f.md","headings":[{"id":"定義問題","text":"定義問題","depth":2},{"id":"解決問題","text":"解決問題","depth":2},{"id":"模型架構","text":"模型架構","depth":3},{"id":"損失函數","text":"損失函數","depth":3},{"id":"推論場景","text":"推論場景","depth":3},{"id":"步驟-1排序","text":"步驟 1：排序","depth":4},{"id":"步驟-2-和-3選擇和抑制","text":"步驟 2 和 3：選擇和抑制","depth":4},{"id":"重複步驟-3-和步驟-4","text":"重複步驟 3 和步驟 4","depth":4},{"id":"討論","text":"討論","depth":2},{"id":"推論速度","text":"推論速度","depth":3},{"id":"和其他方法的比較","text":"和其他方法的比較","depth":3},{"id":"模型限制","text":"模型限制","depth":3},{"id":"結論","text":"結論","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"object-detection/yolov2","relation":"next","topic":"從 YOLO 到多尺度單階段偵測"}]},{"id":"segmentation/fcn","category":"segmentation","legacyPath":"segmentation/1411-fcn","legacySlug":"1411-fcn","legacyPaths":[],"title":"FCN","subtitle":"全卷積網路","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-hant","path":"/content/papers/zh-hant/segmentation/fcn.4d6416e39859.md","headings":[{"id":"定義問題","text":"定義問題","depth":2},{"id":"解決問題","text":"解決問題","depth":2},{"id":"模型架構","text":"模型架構","depth":3},{"id":"上採樣","text":"上採樣","depth":3},{"id":"多尺度融合","text":"多尺度融合","depth":3},{"id":"訓練資料集與策略","text":"訓練資料集與策略","depth":3},{"id":"評估指標","text":"評估指標","depth":3},{"id":"討論","text":"討論","depth":2},{"id":"pascal-voc-結果","text":"PASCAL VOC 結果","depth":3},{"id":"nyudv2-結果","text":"NYUDv2 結果","depth":3},{"id":"sift-flow-結果","text":"SIFT Flow 結果","depth":3},{"id":"結論","text":"結論","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"feature-fusion/unet","relation":"next","topic":"密集預測與編解碼器的跳接"}]}],"text":"2012 年，AlexNet 同時拿下 ImageNet 競賽的分類與定位兩項冠軍。\n\n分類的做法寫在論文裡，大家都讀過。定位呢？那時沒有任何發表的文章說明他們怎麼做。\n\n紐約大學 Yann LeCun 實驗室的 Pierre Sermanet 等人在 2013 年 12 月放出這篇論文，後來發表在 ICLR 2014。他們在前言裡直說，這是第一篇清楚說明卷積網路如何在 ImageNet 上做定位與偵測的論文。他們的系統拿下了 2013 年競賽的定位冠軍，並用同一個網路參加了分類與偵測。\n\n論文也一併釋出了訓練好的模型當作特徵擷取器，名字就叫 OverFeat。\n\n## 定義問題\n\n論文處理三個任務，難度一個比一個高，前一個是後一個的一部分：\n\n1. **分類**：每張圖只有一個標籤，可以猜 5 次，有一次對就算對。\n2. **定位**：一樣猜 5 次，但每次除了類別，還要給一個框；框與標準答案的交集除以聯集（IoU）至少 50%，類別也對，才算對。\n3. **偵測**：一張圖裡可以有任意數量的物體，也可能一個都沒有；用 mAP 計分，錯誤的框會被扣分。\n\nImageNet 的分類資料，物體通常在畫面中央、占了大半張圖，但仍有不少物體的大小和位置差異很大。最直接的辦法是滑動視窗：在影像的每個位置、每個尺度都跑一次網路。\n\n這帶出兩個問題。\n\n第一是計算量。一張圖要切成成千上萬個視窗，每個都完整跑一次卷積網路，成本很高。\n\n第二是視窗和物體對不齊。很多視窗只框到物體的一部分，例如只框到狗的頭；這足以讓分類器認出是狗，卻不足以告訴你整隻狗在哪裡。作者說這會得到「不錯的分類、很差的定位與偵測」。\n\n作者因此提出三個想法：在網路裡有效率地做多尺度的滑動視窗；讓每個視窗除了預測類別，也預測物體框相對於視窗的位置；最後把各視窗的證據累積起來。\n\n## 解決問題\n\n### 分類網路\n\nOverFeat 的分類網路和 AlexNet 類似，有幾處差異：不用 contrast normalization、池化區域不重疊，第一、二層的特徵圖也比較大。\n\n論文其實準備了兩個版本：**快速模型**的第一層是 $11\\times11$、步幅 4；**精確模型**的第一層改成 $7\\times7$、步幅 2，網路也多了一層、特徵圖更多。兩者的參數量差不多（快速 1.45 億、精確 1.44 億，AlexNet 約 6,000 萬），但精確模型的連接數將近兩倍。\n\n訓練時，影像的短邊縮到 256，隨機裁出 $221\\times221$ 的區塊；這時網路被當作非空間的模型，最後輸出 $1\\times1$ 的分類向量。測試時才改成在整張圖上滑動。\n\n### 滑動視窗為什麼不貴\n\n[![兩列示意圖。上列：14×14 的輸入經過 5×5 卷積、2×2 池化，再經過分類器的 5×5、1×1、1×1 卷積，最後輸出 1×1。下列：輸入放大成 16×16，每一步的特徵圖都多出一圈黃色區域，最後輸出 2×2](/content/papers/assets/cd9ddd6b129a1c495df34121de190dc6244cb4d520df8eca6fcf86f44e85a94d.png)](/content/papers/assets/cd9ddd6b129a1c495df34121de190dc6244cb4d520df8eca6fcf86f44e85a94d.png)\n\n*原論文 Figure 5，取自 [**v4 PDF 第 8 頁**](https://arxiv.org/pdf/1312.6229v4#page=8)。上列是訓練時的輸入大小，只輸出一個位置；下列是測試時放大的輸入，輸出變成 $2\\times2$。黃色是放大輸入後多出來的計算。圖中省略了通道維度。*\n\n先看上列。$14\\times14$ 的輸入，經過 $5\\times5$ 卷積變成 $10\\times10$，池化後剩 $5\\times5$；分類器的第一層吃進整個 $5\\times5$，輸出一個位置，後面兩層都是 $1\\times1$。\n\n分類器原本是全連接層。作者的觀察是：全連接層吃一塊固定大小的輸入，等同一個同樣大小的卷積核；後面的全連接層則等同 $1\\times1$ 卷積。這樣一來，整個網路只剩卷積、池化與 ReLU。\n\n再看下列。輸入放大到 $16\\times16$，每一層的特徵圖都多出一圈，最後的輸出變成 $2\\times2$，也就是 4 個視窗的分類結果。重疊的部分只算一次，多出來的計算只有黃色那一圈。\n\n這就是卷積網路做滑動視窗的天然優勢：在整張圖上跑一次，就得到所有視窗的答案，不用把每個視窗切出來分別計算。\n\n### 輸出太稀疏\n\n不過，一次跑完也有代價。精確模型從輸入到最後一層卷積，經過步幅 2 的卷積與三次池化，總共縮小 $2\\times3\\times2\\times3=36$ 倍。也就是說，分類器在輸入影像上每隔 36 個像素才有一個輸出。\n\n視窗和物體對得越準，網路的信心越高；隔 36 個像素才看一次，很容易錯過最對齊的位置。作者發現，這樣的稀疏輸出甚至比 AlexNet 那種固定 10 個裁切的做法還差。\n\n他們的解法是不在最後一次池化丟掉解析度。原本最後一次是 $3\\times3$、不重疊的最大池化；現在把池化的起點分別偏移 $\\Delta=0, 1, 2$ 個像素，各做一次，再分別送進分類器，最後把結果交錯排回去：\n\n[![一維示意圖。(a) 是長度 20 的第 5 層未池化特徵圖；(b) 用紅、綠、藍三種顏色表示偏移量 0、1、2 的三組池化，每組把 3 格合成 1 格，各得到 6 格；(c) 是三組池化後的特徵圖；(d) 分類器以 5 格為窗口滑過，每組得到 2 個輸出；(e) 把三組輸出交錯排成 6 格的輸出圖](/content/papers/assets/d672122ea6ddf57393ed938154239f60084b8afebb1434624615cbd3e2b890ac.png)](/content/papers/assets/d672122ea6ddf57393ed938154239f60084b8afebb1434624615cbd3e2b890ac.png)\n\n*原論文 Figure 3，取自 [**v4 PDF 第 6 頁**](https://arxiv.org/pdf/1312.6229v4#page=6)。以第 2 個尺度的垂直方向為例，按實際比例繪製。*\n\n我們照著這張圖算一次。第 5 層未池化的特徵圖長度是 20；每個偏移量做一次 3 格的池化，再讓 5 格寬的分類器滑過去：\n\n```python\nlayer5 = 20        # 第 5 層未池化特徵圖的長度（原論文 Figure 3 的例子）\npool, window = 3, 5\n\ndef starts(offsets):\n    \"\"\"分類器每個視窗的起點，以第 5 層的像素為單位。\"\"\"\n    out = []\n    for d in offsets:\n        pooled = (layer5 - d) // pool          # 這個偏移量下池化後的長度\n        for k in range(pooled - window + 1):   # 分類器以 5 為窗口滑過\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, \"個輸入像素一個輸出\")\nprint(\"Δ=0,1,2：\", fine, \"→ 每\", (fine[1] - fine[0]) * 12, \"個輸入像素一個輸出\")\n```\n\n```text\n只用 Δ=0： [0, 3] → 每 36 個輸入像素一個輸出\nΔ=0,1,2： [0, 1, 2, 3, 4, 5] → 每 12 個輸入像素一個輸出\n```\n\n每個偏移量池化後都剩 6 格，分類器在上面得到 2 個輸出，正是圖中 (c)、(d) 的長度；三組交錯起來，就是 (e) 的 6 格。\n\n最後一次池化之前，網路已經縮小了 $2\\times3\\times2=12$ 倍，所以第 5 層上相鄰兩格，在輸入上相隔 12 個像素。只用 $\\Delta=0$，分類器每次跨 3 格，等於 36 個像素；三個偏移量都用，就變成每格都有輸出，間隔縮到 12 個像素。\n\n作者也換了一個說法描述這件事：在每一個可能的偏移量上，各套用一次最後的池化與分類器，再把結果交錯組合起來。\n\n### 多個尺度，取最大再平均\n\n上面是單一尺度。實際分類時，作者把影像縮放成 6 種大小，從 $245\\times245$ 到 $461\\times569$，每種大小都做一次上面的流程，水平翻轉後再做一次。最後的分類分三步：\n\n1. 每個尺度、每次翻轉，各類別在所有位置取最大值。\n2. 不同尺度與翻轉的結果取平均。\n3. 從平均後的類別向量取前 1 或前 5 名。\n\n作者這樣總結網路兩半的用法：前面的特徵擷取層一次卷積整張圖，最有效率；後面的分類器則反過來，以固定的 $5\\times5$ 輸入，在第 5 層的特徵圖上，對每個位置、每個尺度做窮舉的搜尋。\n\n### 從分類到畫框\n\n定位要多做一件事：每個視窗除了說「這裡有什麼」，也要說「物體的框在哪裡」。\n\n作者在分類網路的第 1 到 5 層後面，另外接一個迴歸網路：兩層全連接，分別是 4096 與 1024 個通道，最後輸出 4 個數字，代表框的四條邊。和分類器一樣，它也在 $3\\times3$ 種偏移下各算一次。最後一層為每個類別各準備一份，共 1000 份。\n\n訓練時，第 1 到 5 層固定不動，只訓練迴歸網路，用預測框和標準答案之間的 $\\ell_2$ 損失。和輸入視窗重疊不到 50% 的物體框不拿來訓練，因為物體大部分在視窗外，交給其他包含它的視窗處理比較好。\n\n迴歸網路也用多個尺度訓練。作者說這讓不同尺度的預測彼此對得上，合併後的信心也因此大幅提升，於是只用少數幾個尺度就夠了；尺度之間的比例約 1.4，比行人偵測常用的 1.05 到 1.1 大得多，系統也跑得比較快。\n\n### 累積，而不是抑制\n\n每個尺度、每個位置都會吐出一個框，加起來成千上萬個。作者用一個貪婪的合併演算法把它們收斂成少數幾個：\n\n1. 每個尺度取出最有把握的前 $k$ 個類別。\n2. 收集這些類別在所有位置、所有尺度上預測的框。\n3. 反覆找出最相近的兩個框，把它們合併成一個（座標取平均），直到所有框的相近程度都低於門檻。\n\n相近程度由兩個框中心的距離與交集面積計算。合併之後，框的信心是所有被合進來的視窗的分類分數加總。\n\n[![四列影像，主角是一隻在瀑布裡的熊。第一列是各尺度下分類器在每個位置的輸出；第二列提高了輸出的解析度；第三列是迴歸網路在各位置預測的大量框，多數集中在熊的位置；最後一張只剩一個框住熊的框](/content/papers/assets/d52a811beca4cb19a17ff9c1e4d1fb5c130f8426db67edfc11b7f5ebec4e525e.png)](/content/papers/assets/d52a811beca4cb19a17ff9c1e4d1fb5c130f8426db67edfc11b7f5ebec4e525e.png)\n\n*原論文 Figure 6，取自 [**v4 PDF 第 9 頁**](https://arxiv.org/pdf/1312.6229v4#page=9)。由上而下：各位置的類別與信心、提高解析度後的輸出、迴歸網路預測的框，以及合併後的結果。*\n\n這張圖的第三列，迴歸出來的框大多擠在熊的位置；中間也有幾個「烏龜」和「鯨魚」的框，但它們的分類信心最高只有 0.11 和 0.12，框的位置也散得很開，合併後加不起來，最後掉到門檻以下。熊的框則信心高（每個尺度平均約 0.5），位置又一致，合併成一個信心很高的框。\n\n作者把這和傳統的非極大值抑制（NMS）對照：NMS 只留下分數最高的框，把其他的丟掉；這裡則是讓一致的框彼此加分，所以單純分類器帶來的零星誤報比較容易被排除。\n\n### 偵測：在訓練時順手挑負樣本\n\n偵測和定位的主要差別，是要能說出「這裡沒有物體」，也就是多一個背景類別。\n\n傳統做法是先隨機挑一些負樣本訓練，再把模型最常錯的負樣本加回訓練集，重複好幾輪（bootstrapping）。作者覺得這樣既複雜，又容易讓負樣本的收集和訓練脫節，於是改成在訓練時，每張圖當場挑幾個負樣本，有隨機的，也有模型最容易搞錯的。計算比較多，流程卻簡單得多；而且特徵層已經先用分類任務訓練過，偵測的微調不需要太久。\n\n## 討論\n\n### 分類\n\n| 設定（驗證集） | Top-1 | Top-5 |\n| --- | ---: | ---: |\n| AlexNet，1 個模型 | 40.7 | 18.2 |\n| 快速模型，1 個尺度，只用 $\\Delta=0$ | 39.28 | 17.12 |\n| 快速模型，1 個尺度，三個偏移 | 39.01 | 16.97 |\n| 快速模型，6 個尺度，三個偏移 | 38.12 | 16.27 |\n| 精確模型，固定 10 個裁切 | 35.60 | 14.71 |\n| 精確模型，4 個尺度，三個偏移 | 35.74 | 14.18 |\n| 7 個精確模型，4 個尺度，三個偏移 | 33.96 | 13.24 |\n\n*表：錯誤率（%）摘自原論文 Table 2。*\n\n單一尺度時，三個偏移只帶來一點點進步（17.12% → 16.97%）；作者說它在多尺度時更重要。從 1 個尺度到 6 個尺度，top-5 錯誤率從 16.97% 降到 16.27%。精確模型用多尺度滑動，比固定 10 個裁切好了約半個百分點（14.71% → 14.18%）。\n\n競賽的測試集上，OverFeat 用 7 個快速模型投票，top-5 錯誤率 14.2%，在 18 支隊伍中排第五；當年只用 ILSVRC13 資料的最好成績是 11.7%。賽後他們用更大的模型降到 13.6%。\n\n### 定位\n\n作者在 ILSVRC12 的驗證集上比較了幾種設定：\n\n- 只用一個中央裁切：錯誤率約 40%。\n- 合併所有位置、兩個尺度的預測：31.5%。\n- 加到四個尺度：30.0%。\n- 每個類別各用一個迴歸頭（per-class regressor），反而比所有類別共用一個差很多：44.1% 對 31.3%。作者推測是每個類別有框的訓練樣本太少，參數卻多了 1000 倍。\n\n競賽的測試集上，OverFeat 以 29.9% 的錯誤率拿下 2013 年的定位冠軍。\n\n### 偵測\n\n競賽期間，OverFeat 的偵測系統以 19.4% 的 mAP 排第三，冠軍 UvA 是 22.6%。賽後，他們把訓練拉長、每個尺度也加入較低解析度的輸入當作上下文，把 mAP 提高到 24.3%，超過了當時所有結果。\n\n作者也提醒兩件事。第一，前兩名都先用影像分割產生候選區域，把要檢查的視窗從大約 20 萬個降到 2,000 個；文獻指出這能減少誤報，而 OverFeat 走的是密集滑動視窗。第二，NEC 和 UvA 有在偵測的驗證集上微調，OverFeat 沒有；驗證、測試集與訓練集的分布差得夠多，光這一步就能提升約一個百分點。\n\n## 結論\n\nOverFeat 示範了一件當時還沒人寫清楚的事：分類、定位與偵測可以共用同一個卷積網路，滑動視窗在卷積網路裡也可以算得很便宜。它的定位成績是 2013 年最好的，偵測也在賽後達到最佳。\n\n這個紀錄沒有維持太久。R-CNN 先用 selective search 產生候選區域，每個區域各跑一次卷積網路；它的論文在後續版本加入同一個 ILSVRC 2013 偵測基準，[報告 31.4% 的 mAP](https://arxiv.org/abs/1311.2524)，對比 OverFeat 的 24.3%。同一篇論文也承認，OverFeat 快了大約 9 倍（每張圖約 2 秒），因為它的滑動視窗不需要在影像層級變形，重疊的計算可以共用。\n\n後來的 YOLO 在相關研究中這樣描述 OverFeat：它有效率地做滑動視窗偵測，但仍是一個拆開的系統，為定位而非偵測最佳化；每個預測只看得到局部資訊，需要大量後處理才能得到一致的偵測結果。YOLO 改成讓網路一次看整張圖，直接輸出所有框。\n\n\n> [!TIP]\n> \n> YOLO，以及同樣把全連接層看成卷積、讓分類網路輸出整張預測圖的 FCN，可以參考我們的筆記：\n> \n> - **[[15.06] YOLOv1：只要看一次](/blog/papers/object-detection/yolov1)**\n> - **[[14.11] FCN：全卷積網路](/blog/papers/segmentation/fcn)**\n\n\n回頭看，YOLO 和 FCN 的很多做法，在這篇都看得到影子：把全連接層當成卷積、整張圖一次算完、直接在特徵圖上回歸框。只是 2013 年的 OverFeat 還把這些拆成好幾個步驟。\n\n如果你讀過 YOLO，不妨回頭對照這篇，會更清楚 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}}}