第四门课：卷积神经网络（第三周）——目标检测

1. 目标定位

定位分类问题：

不仅要判断图片中是不是一辆汽车，还要标记出它的位置，用框圈起来

softmax函数进行分类操作，判断图片中是否存在行人、汽车和摩托车或是背景对象。除此之外，我们可以让神经网络多输出几个单元，表示一个边界框，即$b_x,b_y,b_h,b_w$，这四个数字是被检测对象的边界框的参数化表示。

2. 特征点检测

Landmark 检测

3. 目标检测

基于滑动窗口的目标检测

• 将目标剪切出来，训练卷积网络
• 以一定大小的窗口扫描图片，将窗口内的图片输入卷积网络预测
• 更改窗口大小，重复上面步骤
  

滑动窗口目标检测算法缺点：

• 计算成本高，用小粒度或小步幅，窗口会特别多，卷积网络要一个个地处理
• 用的步幅很大，窗口个数少，可能会影响性能

4. 滑动窗口的卷积实现

对整张图片进行卷积操作，一次得到所有预测值，如果足够幸运，神经网络便可以识别出目标的位置

在卷积层上应用滑动窗口算法，提高了整个算法的效率
不过这种算法仍然存在一个缺点，就是边界框的位置可能不够准确

5. Bounding Box预测（YOLO）

滑动窗口法中，离散的边界框可能没有一个能完美匹配汽车位置

一个能得到更精准边界框的算法是YOLO算法，YOLO(You only look once)意思是你只看一次，这是由Joseph Redmon，Santosh Divvala，Ross Girshick和Ali Farhadi提出的算法

YOLO算法有一个好处，它是一个卷积实现，运行速度非常快，可以达到实时识别

边界框定义还有其他更有效的方法，可能效果要更好一点

6. 交并比（loU）

交并比（loU）函数做的是计算两个边界框交集和并集之比。

7. 非极大值抑制（Non-max suppression）

算法可能对同一个对象做出多次检测。非极大值抑制确保算法对每个对象只检测一次。

非极大值抑制，非最大值意味着你只输出概率最大的分类结果，抑制很接近，但不是最大的其他预测结果

如果你尝试同时检测三个对象，比如说行人、汽车、摩托，那么输出向量就会有三个额外的分量。
事实证明，正确的做法是独立进行三次非极大值抑制，对每个输出类别都做一次

8. Anchor Boxes

提出anchor box 这个概念主要有两个原因：

• 一个窗口只能检测一个目标

• 无法解决多尺度问题
  
  算法处理不好的情况：

• 如果你有两个anchor box，但同一格子有三个对象

• 两个对象都分配到一个格子中，且它们的anchor box形状也一样
  出现的概率比较小，对性能的影响应该不会很大

怎么选择 anchor box呢？

• 一般手工指定anchor box形状，选择5到10个anchor box形状，覆盖多种不同的形状
• k - 平均算法，可以将两类对象形状聚类，选择最具有代表性的一组 anchor box，这是自动选择anchor box的高级方法

9. YOLO 算法

• 训练：
  
• 预测：
  
• 非极大值抑制：
  如果使用两个anchor box，那么9个格子中任何一个都会有两个预测的边界框，其中一个的概率很低。
  接下来你抛弃概率很低的预测。
  
  如果你希望检测（3种目标）行人，汽车和摩托车，那么你要做的是，对于每个类别单独运行非极大值抑制，运行三次来得到最终的预测结果。

10. 候选区域

候选区域是一个有趣的想法，但这个方法需要两步：

• 首先得到候选区域
• 然后再分类

相比之下，类似于YOLO（You only look once）这个算法，能够一步做完，老师觉得长远而言更有希望
YOLO 网址：https://pjreddie.com/darknet/yolo/