CNN其实就是图像分类网络，只不过是在图像分类中在CNN提取特征展平处理之后，要经过一个全连接层（输出通道数为类别个数）和softmax层，这里把这部分去掉了，从而每个框框留下了4096维的特征向量，总共为【2000，4096】。a、SVM是一个二分类器，这里以VOC数据集为例，有20个类别，所以需要20个SVM分类器【4096，20】，每个分类器会输出是该类别的得分。b、对于SVM输出矩阵【20

公式推导

1.论文写作角度动机不明确：选择YOLOV5的原因（在论文里说明需要）和其它检测压缩算法比的优缺点应用场景受限（为什么只考虑水下）3.参考文献角度：除了参考文献[22]之外，YOLO还有很多轻量级算法。然而，本手稿中没有讨论其他研究。重新提交之前应进行更多的文献调查。4.实验验证和分析不扎实，需要做更多的分析来支持结论。5.应该进一步讨论当前工作的局限性，特别是其相关应用可能面临的挑战。为了让读者