內容

1. 來源

   1.1 簡介：YOLOR結合explicit knowledge與implicit knowledge概念，使模型學習通用表徵，可以適用於多種任務。

   1.2 時程：於2021年5月提出論文。

   1.3 論文名稱：You Only Learn One Representation: Unified Network for Multiple Tasks

2. 論文重點

   2.1 導論

   • 顯式與隱式知識
   • 多任務神經網路架構

   2.2 隱式知識如何作用

   • 高維度空間降維
   • 核空間對齊(維度歸一)
   • 不同運算子作用

   2.3 如何推導統一網路

   • 傳統網路
   • 統一網路

   2.4 模型訓練與推論

   2.5 實驗比對

   • 引入隱式比對

     • FPN特徵對齊
     • 預測精煉
     • 多任務學習

   • 顯式、隱式知識運算子組合

   • 架構統一網路方法比較

   • 統一網路與其他比對

3. 優點

   3.1 YOLOR提出多任務統一神經網路，是一種創新的特徵表示法，可結合其他物件檢測；影像分割網路，讓原本的模型學習處理新任務。

   3.2 克服單一模型只能解決單一任務的瓶頸，有助於運算資源有限的AIoT發展。

   3.3 準確度比肩目前先進的物件檢測網路(如：Scaled YOLOv4)，但更高的FPS使實時偵測的應用更加容易。

小結

1. 下一站，我們前往「YOLOR解析(二)」，詳細說明YOLOR推導、架構與驗證結果。

讓我們繼續看下去...

參考資料

1. You Only Learn One Representation: Unified Network for Multiple Tasks