目标检测的算法

基于深度学习的目标检测算法分为2类：Two Stage和One Stage。
Two Stage：先预设一个区域，改区域称为region proposal，即一个可能包含待检测物体的预选框（简称RP），再通过卷积神经网络进行样本分类计算。流程是：特征提取 -> 生成RP -> 分类/回归定位。常见的Two Stage算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、R-FCN等。

One Stage：不用生成RP，直接在网络中提取特征值来分类目标和定位
。流程是：特征提取 -> 分类/回归定位。常见的One Stage算法有：OverFeat、YOLOv1、YOLOv2、YOLOv3、YOLOv5、SSD、RetinaNet等。

利用滑动窗口生成RP

对于Two Stage的算法，RP的产生是一个很耗时的过程：通过一个窗口从左到右，从上到下的在整张图片上以一定的步长进行滑动扫描，每次滑动的时候对当前窗口执行分类计算，如果当前窗口得到较高的概率，则认为检测到了物体。过程如下图所示，这个方法也叫滑动窗口。

滑动窗口其实就是个穷举的过程，由于事先不知道要检测的目标大小，所以要设置不同大小比例的窗口去滑动，而且要选取合适的步长。这样做就会非常耗时。R-CNN就是针对此的一个改进策略，利用一种启发式的方法只扫描可能包含目标的子区域。

利用非极大值抑制算法来挑出最优解

不管