YOLO
YOLO (You Only Look Once) is a single-shot, end-to-end convolutional object detector introduced by Redmon, Divvala, Girshick, and Farhadi at CVPR 2016. It reframes object detection as a single regression problem — predicting bounding box coordinates and class probabilities directly from an image in one forward pass — achieving real-time detection speeds that prior two-stage methods such as R-CNN could not match. The original paper spawned a widely adopted family of successors (YOLOv2 through v11) that continues to dominate applied object detection benchmarks.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779–788. · DOI 10.1109/CVPR.2016.91
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. · ISBN 978-0-262-03561-3
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.