目录
1 目标定位
目标检测的目标不同于前面几章的判断问题，我们不仅需要判断还需要确定物体的位置。
标准的CNN分类问题可以帮助我们判断图中是否有某个物体
原始图片经过卷积层后,softmax层会输出4 x 1向量来给出判断，但目标定位问题并不仅限于此
我们首先给出规定，(0,0)点为图像左上角点，(1,1)为图像右下角点。原始图片经过卷积层后，softmax会给出一个8 x 1向量，这个向量除了包含分类向量外，还包含了(bx, by)，表示目标中心位置坐标；还包含了bh和bw，表示目标所在矩形区域的高和宽；还包含了Pc，表示矩形区域是目标的概率，数值在0～1之间，且越大概率越大。
输出的范例可表示为：
上图中pc=0的情况表示没有检测到目标，此时后面的七个参数没有实际意义。
对于目标检测问题 ，其损失函数如下所示：
当pc=1时：
当pc=0时：
，此时由于没有检测到目标，因此只需关注检测的准确性即可。
2 特征点检测
检测目标的类别和位置可以通过对目标的关键特征点进行定位，比如人脸识别，可以对人脸的部分特征点进行定位检测：
这个模型检测人脸上的64处特征点，加上检测是否是脸的标志位。共有64x2+1=129个输出值，通过这个模型可以进行情绪分类和判断，还可以对人体姿态动作进行检测。
3 目标检测
目标检测的一种简单算法是滑动窗口算法，这种算法首先在训练集上通过利用各种目标和非目标图片训练CNN模型，使模型具有较高的识别率。然后在测试图片上，选择适宜大小的窗口和步长，进行从左至右从上至下的滑动，将窗口区域送进CNN模型进行判断。
滑动窗口算法原理简单，没有选定目标区域的问题，但同样有由于需要认为确定窗口大小以及步长的缺点，另外如果图片较大但是窗口步长较小，会出现运算量大，耗时长的问题。
4 滑动窗口的卷积实现
1 单个滑动窗口的卷积
首先，单个滑动窗口进入CNN网络模型时，包含了全连接层，因此滑动窗口算法的卷积实现第一步就是将全连接层转变为卷积层：
转换操作很简单，只需要用使用与上层尺寸一致的卷积核进行卷积运算即可。最终得到的输出层维度是1 x 1 x 4，代表4类输出值。
单个窗口区域的卷积网络结构建立后，可以对待检测图片进行运算
2 YOLO算法
滑动窗口算法会存在滑动窗口无法完全覆盖目标的问题
YOLO算法可以解决这类问题，生成类似于上图中红框的目标区域。
YOLO算法首先将原始图片分割成n x n 尺寸的网格，为了简化说明，下图令n为3
然后利用滑动窗口算法，对该图片构建CNN网络，所得的输出层维度为3 x 3 x 8。其中，3 x 3对应9个网格，每个网格的输出包含8个元素：?
其各参数定义类似于目标定位中的参数定义，但是存在bh,bw大于1的情况，这是由于目标可能并不完全在网格内部，可能存在横跨多个格子的情况，并且划分的网格越密越好。
3 交并比
?交并比可以用来评价目标检测的准确性
上图中红色方框为真实目标区域，蓝色为检测目标区域，两者交集为绿色区域，蓝色与红色的接近程度定义为IoU
?
?IoU表示任意两块区域的接近程度，越接近一越接近
4 YOLO算法-极大值抑制
YOLO算法中有可能出现多个网格都检测出同一个目标的情况，比如相邻的网格可能都判断某一目标的中心坐标在其内
上图红色和绿色的三个网格都检测了同一个目标，希望判断哪个网格最精确要如何操作，答案是使用非最大值抑制算法。
非最大值抑制算法的过程：先计算出每个网格的PC值，然后选择PC值最大的网格，计算该区域所有其他网格的PC的IOU，剔除掉所有IOU大于某个阈值的网格。然后从剩下的网格中执行上述操作，最终使得每个目标都只有一个网格与之对应
5 YOLO算法-多目标重叠情况
对于多个目标重叠在一个网格内的情况要如何操作呢？方法是使用不同情况的?Anchor Boxes
上图中正下方网格内出现了人车两个目标，为了同时检测两个目标，需要设置两个?Anchor Boxes，一个检测人，一个检测车，也就是说每个网格增加一层输出，即从输出维度?3 x 3 x 8变成了3 x 3 x 2 x 8。每个Anchor box对应了一个Pc值，当其超过某个阈值即表示检测到了某个目标。
?
?对Anchor box同样可以使用非最大值抑制算法，Anchor box的形状可以通过人为选取也可以通过其它机器学习算法获取。
5 候选区域
在滑动窗口算法执行时会对一张图片的所有区域进行扫描，但是很明显一张图片会有很大部分是没有目标的，对其进行检测会浪费时间。为了解决这个问题可以使用候选区域的方法。具体而言就是对原始图片进行分割，然后只对分割后的图片块进行检测。
但是相比较而言这种算法效率低于YOLO算法。?
?
?