目标检测

检测：不但分类而且还有定位盒子（通过盒子中心点和长宽）

分类：建立输入与输出的关系（比如特征），输入是图片，输出是标签，此物的特征；所以说呢，此物的特征是需要做的，而大量训练过后，就找到了特征和联系，再次输入，检测到特征，即输出

目标特征检测：通过训练大量目标物的坐标，之后输入新的，也会得到特征点

滑动窗口的目标检测算法：缺点：框的大小小了，步长小了，切片变多，框数量多，计算成本高；框的大小大了，步长大了，框的会影响训练出来的性能；而且即使稍微大点还不一定能刚好框到汽车

FC-Con

如何判断替换模块相等，就是全相等=输入+中间参数+输出

输入一样的，中间参数（全连接参数=过滤器参数），那么输出也一样

卷积实现滑动窗口算法（将全连接变成一个点-纵向改深度）：多次滑动=一次出多次结果

 

YOLO算法（找精确边框-输出物体中心点）：一次性分多个格子，每个格子做标签（汽车的中心位置分给被框包围的框）由于九个格子都分配好了，所以可以从分类结果定位到对象和所属于哪个格子，宽和长也知道了，那么这辆车在整张图片的位置也就知道了，中心点相对于格子知道，而格子相对于大图片知道，那么点相对于大图片知道，坐标的传递，这样车的盒子就精确的知道了，

注：用越小的格子越好，即使两个对象有重合部分，但不完全，那么格子会被分到相邻的不同盒子，不受到滑动窗口大小和步长限制

而且用的是卷积，共享计算步骤（可节约计算成本），一次性出所有图结果，相对于上一种举棋不定的滑动窗口是一种固定

 

 

检测算法效果好坏:预测的结果可能不是最佳的相对于正确结果来说

评价标准：交并比（IOU）-可作为一个分量，用于改善算法性能

改善算法效果

1...

非极大值抑制（去抖动）：由于实际路上跑时，测量到相邻格子都有定位到汽车中心点，这样就有很多个预测盒子

保证算法对对象只检测一次，有可能归类到相邻的四个格子，找到概率最大的输出，印制其他非最大的

印制非极大值：1.刷掉极大不可能的

                         2.刷掉位置周围的（不能做到一次性刷出每个位置上的最佳，如果这门做会把其他位置最佳的刷掉）

2...

anchor box：实现一个格子检测出多个对象，标签变了，变成对象和不同的定位（横着、竖着定位）

 

 

训练集标签的作用就是区分；

候选区域：分割方法去掉极大不可能的区域，剩下的区域去做检测