引入
深度学习或机器学习模型，用于分类和回归任务，是我们很熟悉的用法。
目标检测任务，主要用于计算机视觉中，比如人体检测、车辆检测、人脸检测。目标检测的最终目标，是要在图像中找到检测对象的具体位置。
在传统的计算机视觉处理中，我们可以用连通体检测或SIFT等，通过一定的规则，找到检测对象。在深度学习中，我们是怎么找到检测对象的位置呢？
目标定位（Localization）
我们首先解释两个概念：
- Classification：分类问题，模型只需要输出label即可
- Localization：定位问题，模型需要输出检测对象的具体位置，比如（中心点x坐标，中心点y坐标，对象高度，对象宽度）。
对于目标定位问题（Localization），我们只需要在加Label（Y值）时，增加对位置信息的Label，如下例：
只需要对网络中的输出部分做简单改动：一个softmax做类别判断，一组其它神经元直接输出位置信息。注意位置信息被归一化为0到1之间的小数（便于网络处理，一般relu输出也是0~1之间）。
特征点检测（Landmark）
对于特征点检测（Landmark）问题，如下图，比如想检测人脸的关键区域特征（64个点），或者人体的骨骼特征（关节点和骨头线段）：
本质上，也跟目标定位（Localization）一样，只需要在加Label时，把Y值标注为特征点的x-y坐标，直接训练模型，就可以。
目标检测
当图中有多个目标，想找到多个目标的位置，那目标定位就没法解决了（当然如果有很好的多目标标注Label，也可以做，但成本太高了）。
所以比较通用的深度学习目标检测问题，都是基于滑动窗口这种思路实现的：
这样只需要基于有对象和无对象的训练集，训练一个二分类器模型，就能实现目标检测。但这样需要多个不同大小的滑动窗口，每个窗口都要遍历图像上的所有场景，计算量非常大，所以早期的目标检测模型都用线性模型来做。这样用CNN之类的深度模型，计算量是非常大的。
总结
介绍了三种用深度网络做目标检测相关的方法：
目标定位：Label标记为检测对象坐标特征点检测：Label标记为每一个特征点的坐标目标检测：基于滑动窗口
Ref
本文图片来源于AndrewNG的深度学习课程，感谢Andrew。