目标检测笔记

使用两个全连接层，一个作为类别的输出，一个作为物体位置数值的输出。（4个位置）

• 对于分类的概率，使用交叉熵损失

• 位置信息具体的数值，使用MSE均方误差损失（L2损失）

在目标检测当中，对bbox主要由两种类别。

• Grounding-truth bounding box：图片当中真实标记的框

• Predicted bounding box：预测的时候标记的框

对于一张图片当中多个目标，多个类别的时候。前面的输出结果是不定的，有可能是以下有四个类别的输出这种情况。或者N个结果，这样的话，网络模型输出结构不定

对于多个目标的情况，就不能以固定个数输出物体的位置值

目标检测-Overfeat模型

• 滑动窗口

目标检测的暴力方法是从左到右、从上到下滑动窗口，利用分类识别目标。但是滑动窗口需要初始设定一个固定大小的窗口，这就遇到了一个问题，有些物体适应的框不一样

所以需要提前设定K个窗口，每个窗口滑动提取M次，总共K×M个图片，通常会直接将图像变形转换成固定大小的图像，变形图像块被输入CNN分类器中，提取特征后，我们使用一些分类器识别类别和该边界框的另一个线性回归器。

目标检测R-CNN模型

候选区域方法（region propousal method）：提供了物体检查测的一种重要思路。

• 步骤（AlexNet为例）

1. 对于一张图片，找出默认2000个候选区域

2. 2000个候选区域做大小变换，输入到AlexNet当中，得到特征向量

1. 2000×4096

3. 经过20个类别的SVM分类器，对于2000个候选区域做判断，得到[2000，20]得分矩阵

4. 2000个候选区域做NMS，取出不好的，重叠度高的一些候选区域，得到剩下分数高，结果好的框

5. 修正候选框，bbox的回归微调。

非最大抑制（NMS）

• 目的：筛选候选区域，目标是一个物体只保留一个最优的框，来抑制那些冗余的候选框