1. 目标定位
图像分类定位：一般图像中只有一个对象
对象检测：一般有多个对象
分类定位问题：识别出图像中的对象属于哪一类，且给出一个边界框来表示它在图像中的位置。所以，最后输出的地方再加上四个参数来表示位置
注：bx, by是图中对象所在位置的中心点
对象有三种，如果是background，表示没有任何对象
定义输出的label y
y中包含了8个值，第一个pc表示是否有对象，如果有则为1，没有为0（也就是只有背景）
如果只有背景，则其它结果就不重要了，"don't care"
定义loss函数，是对8个结果分别求差平方和（也可以每个参数用不同函数来进行误差估计）。当pc=0时（也就是没有对象时），只关注pc的结果是否正确，loss也就只计算pc的结果
2. 特征点检测landmarkh
识别一个对象，可以通过让神经网络输出一些关键点（landmark）位置来表示。下面是一些例子
注：关键点label的表示在每张图上要一致，比如总是用l1来表示左侧的眼角
3. 基于滑动窗口的对象检测
训练集：对图像进行适当裁剪，把剪后的部分输入，判断是否包含车
用一个框（窗口），移动遍历图像的各区域，把框内的图像作为ConV网络的输入进行计算
问题：计算的代价太大。以前会采用简单一点的分类方法，但是现在用网络计算的话，计算量变大
4. 滑动窗口的实现——解决计算量大的问题
如何把FC转成卷积层
第一行是窗口的大小，也就是以14x14x3的大小作为滑动窗口卷积网络的输入
第二行是训练数据为16x16x3的输入的例子，第三行是28x28x3的输入
这里它不再需要遍历输入图像的各区域作为输入进行计算，因为有很多数据计算是共享的
结果的位置是对应的，和上面slide有什么关系？？？？
一个实际例子，但仍有一个缺点：窗口的大小位置并不一定那么准确
5. bounding box预测
上面的缺点无法获得精确的边界
YOLO算法：you look only once
基本思想：把图片分成3x3（或许更多），然后对每个格子执行图像分类和定位方法，每个格子有一个输出label（8个值）
label中标记一个物体属于一个格子是以物体的中心点为准，中心点在哪个格子，它就属于哪个格子。如果一个格子中不包含物体的中心点，即使有很多部分落在其中，也认为该格子不包含物体
一个格子包含多个物体？：也就是格子中有多个物体的中心点。实际上，会使用19x19，划分得更精细，这种情况就会更少一些
每个格子都要执行一次？：利用卷积，只要单次卷积即可完成。YOLO的执行速度很快，甚至可以达到实时检测
如何定义物体位置：物体的位置是相对于它所在的单元格来说，而不是整个图像
7. 如何评价物体检测算法是否正确
交并比：intersection over union，就是两个区域交集与并集的比，一般规定0.5以上就说明结果是正确的，也可以定得更高
8. 一个物体被多次检测的问题
问题：如果对一个图像划分19x19格，每个格子都有可能说自己包含了一个对象（如车子），也就是一个车子被多个格子检测
non-max suppersion：非最大抑制算法
只检测一个物体的情况（如果有多种物体则每种执行一次non-max）
先对19x19个格子执行算法得到结果，然后找出Pc（包含一个物体的概率）先是把没有达到限值的删除，然后在找出最大的，把与该格子交叉很多的框删除，重复上述操作
9. anchor box
解决一个格子中检测到多个物体的问题（一个格子包含了多个物体的中心点）
基本思想：定义多种anchor box形状，在输出标签中就包括了这些anchor box，检测到一个物体的话，既要看它的中心点位置，还要看它和哪个anchor box的IOU最高来决定
问题：如何选择anchor box的类型； 如果给了两个anchor box，但是有三种形状的话，算法效果不好；事实上，如果格子多一下，一个格子有多个物体的问题就会少一些
10. YOLO算法全部
定义输出标签：用两个anchor box
训练
用non-max移除多余的框
11 R-CNN：region with CNN
在计算机视觉领域用的比较多
思想：先对图像进行分割，然后从中选取部分区域执行算法，而不是对整个图像所有区域计算
缺点：速度太慢了
