多目标检测

图像分类

这是最简单的情形，只需要判定一张图片是属于哪一个类别即可。这种图像往往有一个非常显著的特殊，就是图像主体清晰且突出。
但是日常生活中这类图像并不多，更多的是一张图片中包含了多个主体，此时单纯的目标分类就无法满足了，需要使用多目标检测。

多目标检测

顾名思义，其的作用就是检测一个图片上的多个目标，它不仅仅能把目标找到（该目标在图像中的位置），还能给出其的具体类别。

锚框

这是一个框住目标物体的框，一般通过二维坐标来表示。
锚框生成有多种算法，但是生成的锚框质量好坏就决定着算法的整体性能。

类别检测

相比于图像分类，只输出一个对应的类别，多目标检测需要输出更多的东西。
一个显而易见的事情，并不可能枚举出所有的锚框，并对其一一进行检测。那么对于有限个锚框，如何来表示图片中无数种锚框的可能？这里就需要用到一个偏移，也就是预测的锚框位置与当前检测锚框的差别。

• 如何理解这个偏移？
  假设现在锚框框住了一朵向日葵的大部分，如下图（红色的框）：
  
  对于图像分类来说，大部分的向日葵足以完成分类，即它可以给出一个标签。但是此时还需要一个偏移，红色框与黑色框之间的差别。也就是说，神经网络还需要学习一种推断能力：从大半朵向日葵中推断出整朵向日葵所处在的位置。

训练

相比于图像分类，多目标检测的样本可谓是更少了，因为它的标注成本更高，因此利用好手中的数据也是同样重要。
对于图像分类部分，即给出标签的网络，往往是利用现有的图像分类模型。
对于偏移部分，可以对一张照片生成多个锚框，就可以得到多个训练样本。

预测

一般多目标检测分为如下步骤：

1. 生成大量的锚框，有各种各样的算法能生成高质量的锚框。
2. 利用神经网络预测类别标签与偏移，但是如果其类别标签的置信度过低，往往可能是背景，应当舍弃。
3. 通过偏移，生成预测的锚框。
4. 将重叠面积较大的锚框进行删除，保留类别置信度最高的一个。对于上面的图片，红色和黑色的锚框有着大量的重叠面积，应当只保留一个。显然黑色的置信度更高，因此只保留黑色的。
5. 输出最终结果。