图片检测问题：
- 分类问题：判断图中是否为汽车；
- 目标定位：判断是否为汽车，并确定具体位置；
- 目标检测：检测不同物体并定位。
1.目标定位
输出：
- 存在的对象(c1行人，0 or 1 ;c2 汽车，0 or 1 ; c3摩托车，0 or 1 )
- 定位框：(bx,by,bh,bw)
2.特征点检测
判断动作姿态，识别人物表情等
输出：
- 特征点坐标 (x,y)
3.目标检测
目标检测采用的是基于滑动窗口的检测算法。
训练模型：
- 训练集X：将有汽车的图片进行适当的剪切，剪切成整张几乎都被汽车占据的小图或者没有汽车的小图；
- 训练集Y：对X中的图片进行标注，有汽车的标注1，没有汽车的标注0。
预测(卷积的滑动窗口实现)：
- 首先选定一个特定大小的窗口，将窗口内的图片输入到模型中进行预测；
- 以固定步幅滑动该窗口，遍历图像的每个区域，对窗内的各个小图不断输入模型进行预测；
- 继续选取一个更大的窗口，再次遍历图像的每个区域，对区域内是否有车进行预测；
- 遍历整个图像，可以保证在每个位置都能检测到是否有车。
缺点：计算成本巨大，每个窗口的小图都要进行卷积运算且窗口有重叠计算重复（但在神经网络兴起之前，使用的是线性分类器，所以滑动窗口算法的计算成本较低）。
4.Bounding Box 预测
不能输出最准确的边界框
细节：
利用YOLO算法实现目标探测的时候，对于存在目标对象的网格中，定义训练标签Y的时候，边界框的指定参数的不同对其预测精度有很大的影响。这里给出一个较为合理的约定：（其他定值方式可阅读论文）
- 对于每个网格，以左上角为(0,0)，以右下角为(1,1)；
- 中点表示坐标值，在0~1之间；
- 宽高表示比例值，存在>1的情况。
5. 交并比（Intersection-over-Union）
目的：用来判断对象检测算法是否运作良好
计算红色边框（目标）和紫色边框（预测）之间的交集和并集之比
IOU ≥ 0.5 说明检测正确
6. 非最大值抑制（non-max suppression，NMS）
目的：确保我们的算法对每个对象只检测一次。
首先，删除检测有车概率pc≤0.6的边框；
然后，在剩余的边框中循环：
- 挑出pc最大的作为预测 （高亮显示）
- 删除和预测的交并比IoU≥0.5的边框
eg：右车，挑出0.9，删除0.6、0.7；左车，挑出0.8，删除0.7。
7. Anchor box
目的：处理两个对象出现在一个格子内
更有针对性，适合检测一些很宽很胖的对象。
训练图片的每个对象，根据对象的中点，分配到对应的格子中，同时还分配到一个和对象形状的IoU最高的Anchor box 中。输出大小（例如两个Anchor box，如图，输出3*3*16(pc,网格坐标,c1,c2,c3)）：。
Anchor box 的选择：
- 一般人工指定Anchor box 的形状，选择5~10个以覆盖到多种不同的形状，可以涵盖我们想要检测的对象的形状；
- 高级方法：K-means 算法：将不同对象形状进行聚类，用聚类后的结果来选择一组最具代表性的Anchor box，以此来代表我们想要检测对象的形状。
8.YOLO
目的：使得滑动窗口算法寻找到更加精准的边界框。
特点：将整张图片先划分成 n * n 的 格子，综合上述算法的优点
假设我们要在图片中检测三种目标：行人、汽车和摩托车，同时使用两种不同的Anchor box。
训练：
- 输入X：同样大小的完整图片；
- 目标Y：使用网格划分，输出大小，或者对不同格子中的小图，定义目标输出向量Y。
预测：
- 输入与训练集中相同大小的图片，同时得到每个格子中不同的输出结果。
运行非最大值抑制（NMS）：
- 假设使用了2个Anchor box，那么对于每一个网格，我们都会得到预测输出的2个bounding boxes，其中一个比较高；
- 抛弃概率值pc低的预测bounding boxes；
- 对每个对象（如行人、汽车、摩托车）分别使用NMS算法得到最终的预测边界框。
YOLO notation：
- 将对象分配到一个格子的过程是：观察对象的中点，将该对象分配到其中点所在的格子中，（即使对象横跨多个格子，也只分配到中点所在的格子中，其他格子记为无该对象，即标记为“0”）；
- YOLO显式地输出边界框，使得其可以具有任意宽高比，并且能输出更精确的坐标，不受滑动窗口算法滑动步幅大小的限制；
- YOLO是一次卷积实现，并不是在网格上进行次运算，而是单次卷积实现，算法实现效率高，运行速度快，可以实现实时识别。
9.候选区域（region proposals）
区域卷积神经网络 R-CNN（Regions with convolutional networks），目的是：在我们的图片中选出一些目标的候选区域，从而避免了传统滑动窗口在大量无对象区域的无用运算。
所以在使用了R-CNN后，我们不会再针对每个滑动窗口运算检测算法，而是只选择一些候选区域的窗口，在少数的窗口上运行卷积网络。
具体实现：运用图像分割算法，将图片分割成许多不同颜色的色块（候选区域），然后在这些色块上放置窗口，将窗口中的内容输入网络，从而减小需要处理的窗口数量。
更快的算法：
- R-CNN：给出候选区域，对每个候选区域进行分类识别，输出对象 标签 和 bounding box，从而在确实存在对象的区域得到更精确的边界框，但速度慢；
- Fast R-CNN：给出候选区域，使用滑动窗口的卷积实现去分类所有的候选区域，但得到候选区的聚类步骤仍然非常慢；
- Faster R-CNN：使用卷积网络给出候选区域。
转载链接