Object detection 目标检测
图像分类与定位
之前我们学习到的输入一张图片，输出为图片的分类的方法都是image classification（图像识别），但有些时候，我们不仅要知道图像的分类，还需要知道目标所在的位置，这种任务叫作image classification and localization，另外有些时候，一张图片中含有多个目标，此时的任务叫作目标检测object detection。
在目标定位任务中，输出y的设定为：
特征点检测
输入一张图片，输出这张图片中的特征点。eg:输入一张图片，当图片中含有人脸时，我们需要标注出人的各眼角点，假设需要标注的有64个眼角点，每个点有一个横坐标和一个纵坐标组成，加上目标检测的pc点，一共的输出就是64×2+1=129个数字。
在一些图片处理软件中，比如抖音的变脸功能，实际上就是检测出人脸的各个部位，然后对各部位进行处理，因此就是一个目标定位的任务。
目标检测
目标检测怎么做？
首先在训练过程中，我们通过对图片进行剪裁得到视图基本为车辆的图片，输出为label Y=1,视图不为车的图片输出Y=0，对神经网络训练之后，得到参数。
在测试的时候，使用sliding window object detection algorithm，即滑动窗口目标检测：对于多目标的任务，我们就必须对一个图片使用滑窗处理，每次使用一个滑窗对一张图片进行逐个处理，下次使用一个更大的滑窗进行处理，依次下去。这样我们可以检测到图片中所有目标。但这种方法的一个缺点是计算成本太高，首先使用各种不同大小的滑窗取出一个小部分的图像，然后将它送入卷积神经网络中进行处理。
这个方法的改进版本是使用卷积网络来实现滑动窗口目标检测，避免重复的计算。
在具体介绍这个方法之前，我们先来认识一个等效替换，当我们将一个5×5×16的结构拉成一个向量作为全连接层时，我们同样可以对这个5×5×16的结构使用卷积核大小为5×5，通道数为400的卷积操作完成。
因此转换的具体实现过程是：
图中的14×14指的是滑动窗的大小，对于一个14×14的滑动窗有一个输出label，对于16×16的图片，stride=1时，就有2×2的输出，也就是4个label，正是使用滑动窗的4个输出label。这样使用卷积网络，就避免了使用一个滑动窗时造成的计算量过大的问题，可以一次解决一个滑动窗大小的label输出。但这样仍旧有一个缺点：当滑动窗过大时，定位就不准确了，也就是没有精确的定位。
解决这个问题的方法叫作YOLO（you only look once）。
YOLO
首先使用一个3×3的网格对原始图片进行切分，然后对一个切分后的图片子块做目标定位的输出，也就是每个输出是一个长度为8的向量，在这个例子中，输出是3×3×8的张量。一般情况，我们会选择更加精细的划分，比如19×19的网格切分。这种算法对于一个网格中只存在一个对象的情况是有效的。确定对象存在于哪个网格中的规则是：找出对象的中点，中点在哪个网格中就将这个对象分配到那个网格中。
YOLO方法中需要注意的两点：1.它与图像分类与定位算法十分类似，输出都是一个长度为8的向量；2.它的训练过程是一个卷积网络，输入为原始图像，输出为3×3×8的张量或19×19×8的张量，这样既降低了计算量又实现了精确定位。
判别输出
使用IOU系数：Intersection over union:
即两个方框：实际边界框与标记框的交集比并集的比例
IOU>0.5作为阈值判断定位准确。当然阈值可以设置的更高一些，比如0.6,0.7
当多个标记框都输出包含目标时，为了去除重复的检测，这时可以使用non max suppession，具体实现过程如下：
这样就能保证对一个对象检测没有重复的输出。当我们要检测的对象有多类时，比如车，人和人行道时，我们可以独立地对某一个类别实行非最大值抑制，保证每一类没有重复的输出。
多对象检测
当多个对象出现在同一个格子中时，我们如何给这个格子定义一个输出呢？例如：当人和车同时出现在一个格子里的时候，每个格子的输出应该是一个长为8×2的向量，当对图片划分为3×3的格子时，输出应该是3×3×16的张量。对每个格子两类不同输出的方法是为格子中的对象分配两个anchor box.如图：
anchor box1适用于检测瘦高的对象，而achor box2适用于检测宽胖的对象，因此输出的y前8个数值检测anchor box1对应的人这一类，后8个数值检测anchor box2对应的车这一类。Anchor box的具体算法是：
总结YOLO算法的整个流程：
1）首先将一张图片切分为3×3（或者19×19）的网格，然后对各个网格中的对象进行标记，之后进行训练，得到卷积网络参数；
2）然后使用该参数对新的输入进行预测，使用anchor box实现多目标预测；
3）然后对预测出现的结果使用non max suppression的方法去掉重复的预测。