卷积滑动窗口检测算法原理

在目标检测中，基于滑动窗口的检测是一种常见的办法。
如下是该算法的主要思路：
首先该算法的实现需要预先训练卷积网络，将数据集（经过裁剪，使检测的物体尽量处于图像中心并占据图片较大位置）进行训练，然后通过固定大小的窗口以及固定步长扫描需要检测的图片，将图片中处于窗口中的图像送入训练好的卷积网络进行检测，判断有无物体输出，最终通过变换扫描窗口的大小，可以检测出有无物体以及物体的大致定位（该算法的定位不一定准确）


下面是卷积滑动窗口算法的实现过程，参考了吴恩达教程,如下图所示
1、全连接层转换为卷积层

如上图所示，输入图片大小为$14\times{14}\times{3}$14×14×3，通过16通道的$5\times{5}$5×5的卷积核然后再通过$2\times{2}$2×2的最大池化，变为$5\times{5}\times{16}$5×5×16大小，然后通过2个400节点的全连接层，最后通过softmax层输出y的4个分类各自的概率。
将上述的全连接层转化为卷积的办法则是用400个$5\times{5}\times{16}$5×5×16大小的过滤器将图像大小转化为$1\times{1}\times{400}$1×1×400，在数学上这和全连接层400个单元是等价的，同理后面用相同办法处理，实现了全连接层到卷积层的转化。
2、卷积的滑动窗口实现

我们假设实际图像为$16\times{16}$16×16，命令滑动窗口大小为$14\times14$14×14,步长为2，则测试图可以分为四个部分，如上图进行同样计算可以得到$2\times 2\times 4$2×2×4的矩阵，如下图所示

其中$2\times 2$2×2小矩阵的每个部分和大矩阵中窗口扫描的位置一一对应。
在卷积运算中，可以观察到很多运算都是重复运算，所以没有必要将每个被框中的图像一一检测，而是将整个大图像进行卷积网络运算。
如下图，整个图像被分为64块

将全连接层转化为卷积层的优点总结如下：
1、不用限制输入图像大小
2、前向传播效率更高，因为在卷积中很多计算是共享的