one-stage类算法中的分类功能具体是怎么实现的？

Question

想请教下像YOLO和SSD这种one-stage算法，对于目标的分类任务是怎么实现的？

我在网上看到的算法介绍里都是直接给出类别预测概率，但不太清楚每个类别的概率是怎么计算出来的……是把卷积层提取到的特征直接跟训练结果对比还是要送入新的分类器进行分类？

初接触图像检测领域，见谅……感谢大佬们的解惑！

Answer 1

以下回答参考 皆我百晓生、券券喵儿 等免费微信小程序相关内容作答，并由本人整理回复。

在YOLO（You Only Look Once）和SSD（Single Shot Detector）这类一阶段深度学习算法中，目标分类通常是在最后的输出层上完成的。这些算法的目标检测模型首先通过卷积层提取特征，并且在最后一层对特征进行分类。

1. 卷积层：在卷积层中，神经网络会尝试从输入图像中提取特征。这通常是通过一系列的卷积操作来实现的，其中每一层都尝试将低级别的特征转换为更高级别的特征。例如，在YOLO中，卷积层可能包含用于物体识别、形状检测和颜色分割的多个不同类型的卷积层。

2. 池化层：池化层是一种降维技术，它通过在输入数据中选择最大值或平均值来减少数据维度，从而提高计算效率并增强网络的鲁棒性。

3. 全连接层：当卷积层和池化层完成后，它们会产生一个表示对象位置的高维向量。这个向量代表了对象的位置信息。然后，这个向量会被传送到全连接层，这是一个多层神经元堆叠而成的层，其目的是为了更好地拟合原始特征空间中的模式，并进一步提取特征。

4. 分类层：在这个层中，神经网络会使用已知的对象类别作为标签，以确定每个对象属于哪个类别。通常情况下，这个层会有一个softmax激活函数，用来计算每个类别的概率。softmax函数的作用是将各个类别概率相加为1，同时使得最大的概率成为1，其余的概率则小于1。

5. 输出层：输出层是一个二分类层，它会在最终的输出层上执行分类。这个层接受卷积层和池化层的结果，并将其与已知的类别标签比较，从而决定每个像素点所属的类别。

6. 损失函数：为了优化整个模型，通常会使用交叉熵损失函数，它衡量的是预测概率与实际概率之间的差异。

总的来说，目标分类是在最后的输出层上完成的，而不仅仅是直接比较卷积层提取的特征和预训练的权重。这种方法的优势在于能够有效地处理复杂的目标检测问题，同时保持较高的准确性。