现在开始讨论物体检测。
还是从博客及论文开始大量学习。
1.https://www.cnblogs.com/love6tao/p/7351952.html《一篇文章看懂物体检测的发展脉络》
计算机视觉：
第一个层次是图像分类、物体检测、语义分割
第二个层次是3D重建
第三个层次是视觉问答
物体检测典型思路：确定目标位置+置信度分类
确定目标位置方法：
滑动窗口穷举遍历；启发式方法，region proposal method，如Selective Search
置信度分类：
图像模板匹配，计算相关性；
事先知道三维形状，进行匹配；
图像特征表达，欧氏距离匹配；
SIFT\HOG\LBP特征+SVM等分类器；
DPM：Pictorial Structure（弹簧模型，允许部件位置上的一定程度的不同）+HOG dectector
深度学习CNN提取特征然后分类{
R-CNN 系列：先产生region proposal，然后再去分类和回归。
SSD YOLO：一步到位
}
用CNN去解决检测问题的思路，基本就是这几个套路。其实还有一个方向我们并没有讨论，就是用神经网络去学习怎么做检测的后处理，例如非极大抑制（Non-Maximum Suppression）等。这类工作关注的人相对比较少，所以相关的工作也不多。不过在上面介绍的几个基本框架下，可以研究的细节还有很多，例如怎样去处理好物体的尺度问题，物体的形变问题，怎样用多任务学习来提高物体检测的性能，怎样去最好context和detail之前的平衡等等，我们就不在此做详细讨论了。
在物体检测领域，对细节的处理直接影响到模型最终的结果
2. https://www.cnblogs.com/sddai/p/5696870.html 《准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure》
精确率就是有没有误检的，如果有，正确的占比多大
召回率就是有没有漏检的，如果有，检测出来的占比多大
注意理解 TP FP