介绍
目标检测背景
目标检测结构
目标检测框架
目标检测可以分为两种类型 ：
特定实例的检测
特定类别的检测
第一种类型的目标是检测特定目标的实例，而第二种类型的目标是检测不同的预定义目标类别的实例（例如人类、汽车、自行车和狗.
2012年，Krizhevsky等人提出了一个叫做AlexNet的深度卷积神经网络（DCNN），它在大规模的视觉识别挑战（ILSRVC）[179]中实现了破纪录的图像分类精度
特定目标检测：例如行人检测[51、60、48]人脸检测[226、232],车辆检测{196}和文本检测
2.1目标检测的问题
2.2 Main Challenges
检测精度
1.类内变化的巨大范围
内在因素
影像学条件
2.大量的目标对象类别
demands great discrimination power from the detector to distinguish between subtly different interclass variations
检测效率
计算能力和存储空间有限
效率取决于定位和识别
2.3过去二十年取得的进展
早期：基于模板匹配技术和简单的基于零件的模型
1990前：基于几何表示，
随后：统计分类器（如神经网络，SVM和Adaboost ），基于外观
DCNNs的成功应用在图像分类被转移到目标检测
DCNN介绍：
DCNN优势：
大规模标记数据集的可用性和具有极高计算能力的gpu
DCNN不足：
1）对标记训练数据的极度需求和昂贵的计算资源的需求
2）选择合适的学习参数和网络架构仍然需要相当的技能和经验。
3）对退化缺乏鲁棒性
4）许多dcnn存在严重的攻击漏洞
AlexNet是第一个现代深度卷积网络模型，首次使用了许多现代深度卷积网络的技术方法，AlexNet是在LeNet的基础上加深了网络的结构，学习更丰富更高维的图像特征。
AlexNet网络结构在整体上类似于LeNet，都是先卷积然后在全连接。但在细节上有很大不同。AlexNet更为复杂。AlexNet有60 million个参数和65000个 神经元，五层卷积，三层全连接网络，最终的输出层是1000通道的softmax。AlexNet利用了两块GPU进行计算，大大提高了运算效率。
AlexNet的特点：
1）更深的网络结构
2）使用层叠的卷积层，即卷积层+卷积层+池化层来提取图像的特征
3）使用Dropout抑制过拟合
4）使用数据增强Data Augmentation抑制过拟合
神经网络由于训练的参数多，表能能力强，所以需要比较多的数据量，不然很容易过拟合。当训练数据有限时，可以通过一些变换从已有的训练数据集中生成一些新的数据，以快速地扩充训练数据。对于图像数据集来说，可以对图像进行一些形变操作
5）使用Relu替换之前的sigmoid的作为激活函数
6）多GPU训练
Dropout工作原理：
引入Dropout主要是为了防止过拟合。在神经网络中Dropout通过修改神经网络本身结构来实现，对于某一层的神经元，通过定义的概率将神经元置为0，这个神经元就不参与前向和后向传播，就如同在网络中被删除了一样，同时保持输入层与输出层神经元的个数不变，然后按照神经网络的学习方法进行参数更新。在下一次迭代中，又重新随机删除一些神经元（置为0），直至训练结束。
4.** Datasets**
PASCAL VOC （ fallen out of fashion）
ImageNet （atypical of real-world scenarios）
MS COCO（包含了复杂的日常场景和自然环境中的普通物体，更接近真实生活） the standard for object detection
Open Images（only the object instances of human-
confirmed positive labels are annotated）仅标注正面标签的对象实例
Evaluation Criteria：
1） detection speed in Frames Per Second (FPS)
FPS用来评估目标检测的速度。即每秒内可以处理的图片数量
2）precision
准确率是我们最常见的评价指标，而且很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好
3）recall
召回率是覆盖面的度量，度量有多个正例被分为正例，recall=TP/(TP+FN)=TP/P=sensitive，
most commonly used metric：Average Precision (AP)
True Positive(真正，TP)：将正类预测为正类数
True Negative(真负，TN)：将负类预测为负类数
False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)
False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)
mAP
TP: IoU>0.5的检测框数量（同一 Ground Truth 只计算一次）
FP: IoU<=0.5的检测框，或者是检测到同一个 GT 的多余检测框的数量
FN: 没有检测到的GT的数量
GT：ground truth box:标准数据
Precision: TP / (TP + FP)
Recall: TP / (TP + FN)
PR曲线: Precision-Recall曲线
AP: PR曲线下的面积，综合考量了 recall 和 precision 的影响，反映了模型对某个类别识别的好坏。
mAP: mean Average Precision, 即各类别AP的平均值，衡量的是在所有类别上的平均好坏程度。
3. 目标检测的结构