关注上方“深度学习技术前沿”，选择“星标公众号”，
资源干货，第一时间送达！
我们可能看不到根红苗正的 YOLO v4 面世了。
「YOLO 之父」Joseph Redmon 宣布退出计算机视觉领域了！这个刚刚出现的消息着实让人工智能界感到惊讶。堪称“AI学术界的一场大地震”。
原因是自己的开源算法已经用在军事和隐私问题上。这对他的道德造成了巨大的考验。
这在 AI 领域，还是第一次。Fast.ai创始人Jeremy Howard就表达了自己的感受：“我之前从来没见过这种事。”
推文链接：https://twitter.com/jeremyphoward/status/1230610470991589376
YOLO是计算机视觉领域最知名的目标检测算法之一，也因为开源被业界广泛采用。YOLO系列简直可以快到没朋友！
YOLO (You Only Look Once)，是一个用于目标检测的网络。目标检测任务包括确定图像中存在某些对象的位置，以及对这些对象进行分类。以前的方法，比如R-CNN和它的变种，使用一个管道在多个步骤中执行这个任务。这可能运行缓慢，也很难优化，因为每个单独的组件都必须单独训练。YOLO，只用一个神经网络就能搞定。因此可以直接在检测性能上进行端到端优化，使得基础 YOLO 模型能以每秒 45 帧的速度实时处理图像。YOLO 的一个小规模版本——Fast YOLO 可以达到每秒 155 帧的处理速度。
YOLO 有着让人惊艳的速度，同时也有让人止步的缺陷：不擅长小目标检测。为了弥补这一缺陷，2018 年，Redmon 等人发布了 YOLO v3。这一新版本保持了 YOLO 的速度优势，提升了模型精度，尤其加强了小目标、重叠遮挡目标的识别，补齐了 YOLO 的短板，是目前速度和精度均衡的目标检测网络。
与另一种著名的目标检测算法Fast R-CNN不同的是，YOLO采用“一步”的策略，同时生成目标物体的类别和位置。
YOLO算法相比Fast R-CNN具有两大优势：
1、速度快：每秒45帧的检测速率，可用在实时视频检测中，在更小的模型上甚至达到155帧；
2、通用性好：在真实图像数据上训练的网络，可以用在虚构的绘画作品上。
但是YOLO也存在着一定的局限性：正确率不如Fast R-CNN，每个方格中只能检测一个物体，对于边缘不规则的物体，将会影响到周围物体的识别。
作者Redmon后来又在原始的YOLO技术上，发展出了YOLO9000、YOLOv3等算法，扩展了检测物体的种类、提高了模型的准确率。
研究者们对于 YOLO 下一个版本的展望主要在于三个方面：更高的识别准确率、更加广泛的实时监测，以及更轻量化的模型。在 GitHub 上，人们对于 v4 版本什么时候出的问题，得到的答案一直是「coming soon」。
一直以来，Joseph Redmon 跟随 Allen School 教授 Ali Farhadi 从事计算机视觉研究，他是 2018 年度谷歌博士奖学金的获得者，理由是在「创造更快、更好、更有用的计算机视觉应用工具」方面的贡献。
目前YOLO及其改进算法在学术圈被广泛引用，Redmon三篇一作相关论文总引用量已经超过1万。
这样一位极具影响力的学者突然宣布退出，不免令学术界感到震撼。
YOLO之父简介
Jeseph Redmon毕业于美国米德尔伯里学院计算机科学专业，辅修数学。2013年进入华盛顿大学计算机专业攻读硕士学位，继而攻读博士学位，直到2019年。
在此期间，他和导师Ali Farhadi共同提出并改进了YOLO算法。
Joseph Redmon曾凭借该算法获得过2016年CVPR群众选择奖（People’s Choice Award）、2017年CVPR最佳论文荣誉奖（Best Paper Honorable Mention）。
他的主要研究范围是目标检测、图像分类和模型压缩。Redmon宣布退出CV领域研究，基本上等于将来要另起炉灶。
他的个人简历画风是这样的：
Joseph Redmon过去的实习经历也金光闪闪。
他曾在谷歌大脑实习，研究实时机器人抓握检测。之后进入AI2（也就是后来的XNOR.ai）实习，提出了二元逼近卷积神经网络XNOR-Net，该算法能够减少在移动设备上进行图像分类所需的计算量。
Redmon在2018年获得Google博士奖学金，因为他更好、更快速地发展了用于实际应用的CV工具，而被授予“机器感知、语音技术和计算机视觉”类别的奖学金。
Redmon本人还登上过TED讲台，介绍快速识别物体的CV算法。
AI发展到今日，道德问题越来越明显。
旧金山通过法律禁止警察在执法过程中使用人脸识别技术，旷视因为在课堂上使用AI监控技术被谴责，无不在警示AI别越界。
YOLO之父的退出是学术界对AI道德问题的又一记警钟。
???? 更多精彩咨讯，长按识别，即可关注