目标检测复习1

1. 检测的框的location，大小都要自己确定；
2. 大小不一的框，准确度有待提升，甚至于有一些目标都没有框出来，这说明我们的模型还可以提升；
3. 物体的识别：输入是物体，输出是类别–分类；—物体是什么？
4. 物体检测：输入是物体， 输出是物体的外框（x, y , width, height）来定位物体的位置；----物体在哪里，
5. 检测比识别要困难—因为物体的尺寸变化的范围很大角度， 姿态，，且物体可以分为多个类别；
6. 识别—cat
7. 检测： cat + location，先定位， 在定位的框内进行分类；—分类的升级；

目前的学术和工业的目标检测的算法分为3类
8. 传统的算法–：Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化
9. 候选框 、区域 + 深度学习分类：提取候选框的区域， 并对相应的区域进行深度学习为主的分类方案

.R-CNN（Selective Search + CNN + SVM）
• SPP-net（ROI Pooling）
• Fast R-CNN（Selective Search + CNN + ROI）
• Faster R-CNN（RPN + CNN + ROI）
基于深度学习的回归方法：YOLO/SSD 等方法

概念 IOU,
Intersection over Union是一种测量在特定数据集中检测相应物体标准度的一个标准。
为了可以使IoU用于测量任意大小形状的物体检测，我们需要：

1、 ground-truth bounding boxes（人为在训练集图像中标出要检测物体的大概范围）； —正确答案
2、我们的算法得出的结果范围。----

也就是说，这个标准用于测量真实和预测之间的相关度，相关度越高，该值越高。

l1与l2做比较----