卷积神经网络（4）目标检测

简单来说，分类、定位和检测的区别如下：

1. 分类：是什么？

2. 定位：在哪里？是什么？（单个目标）

3. 检测：在哪里？分别是什么？（多个目标）

(1)目标分类	(2)目标定位	(3)目标检测

1）案例1：在构建自动驾驶时，需要定位出照片中的行人、汽车、摩托车和背景，即四个类别。

输出：

1，2，3为要检测的行人、汽车、摩托车， Pc=1

4为背景， Pc=0

 Pc：首先第一个元素p_c=1表示有要定位的物体的概率，即是有1，2，3类的概率，否则p_c=0表示只有背景第4类如上图的第二个图。

bx，by,bh，bw：这四个输出元素表示定位框的中心坐标bx，by和宽高bh，bw

c1,c2,c3：3个输出元素one-hot表示是三个类别（1，2，3）中的哪一类。

当第一个元素p_c=0时表示是背景，然后就不需要考虑其他输出了

损失函数：

输出向量中有8个元素：故：

if y1 =1 ，L = （y'₁-y₁)² + (y'₂-y₂)² + ……+（y'₈-y₈)²

if y1 = 0，L = （y'₁-y₁)²

实际使用中p_c使用逻辑回归，c₁,c₂,c₃是用softmax激活然后用对数损失函数，位置信息是使用平方误差损失函数，然后将这些损失函数相加起来得到最终的代价函数。当标签y=0时，只考虑p_c即可。

特征点检测就是第一个单元输出1，表示有这个对象（如人脸），

然后如果在人脸上定义了64个特征点（如下图所示），每个特征点用（x,y）表示，那么网络将会有1+2*68=129个单元输出。

需要注意的一点是在标注样本时，所有标签在所有图片中务必保持一致，比如说，第5个特征点表示左眼的外眼角，那么所有图片的第五个特征点都应该是这个。

https://www.cnblogs.com/ys99/p/9326637.html

传统的窗口滑动：将图片切割成很多小窗口，然后进行目标检测。直到某个小窗口检测到目标。

卷积的滑动窗口实现：在原输入补上边，在进行卷积操作，得到结果。

例如：

原输入是14*14*3，输出是1*1*4【4个分类】。传统的滑动窗口是将原输入切成4个，每个大小为12*12*3。经过重复4次卷积操作得到4个1*1*4。

卷积的滑动窗口：将原输入补成16*16*3，输出为2*2*4。只需要经过一次卷积操作就可以得到和4个1*1*4相同的结果2*2*4=2*2*（1*1*4）。

交并比函数是用来判断对象定位是否准确，IoU=（A∩B）/（A∪B），一般将交并比的值大于0.5看成是检测正确的，当然这个值可以根据实际情况来定。