单阶段目标检测

对象定位localization和目标检测detection

判断图像中的对象是不是汽车–Image classification 图像分类
不仅要判断图片中的物体还要在图片中标记出它的位置–Classification with localization定位分类
当图片中有 多个 对象时，检测出它们并确定出其位置,其相对于图像分类和定位分类来说强调一张图片中有 多个 对象–Detection目标检测

• 对于训练集样本，X使用经过裁剪的，检测目标基本在图像中心的图片。Y表示样本图片中是否有需要检测的对象。训练完这个卷积神经网络,接下来就可以用它来实现滑动窗口目标检测。
• 首先选定一个特定大小的窗口，并使用以上的卷积神经网络判断这个窗口中有没有车，滑动目标检测算法会从左上角向右并向下滑动输入窗口，并将截取的图像都输入到 已经训练好的卷积神经网络中 以固定步幅滑动窗口，遍历图像的每个区域
• 然后使用比以上使用的窗口大一些的窗口，重复进行以上操作。然后再使用比上一次更大的窗口进行图像的截取与检测。
• 所以无论目标在图像中的什么位置,总有一个窗口可以检测到它。
• 但是滑动窗口目标检测算法有十分消耗计算成本的缺点，因为使用窗口会在原始图片中截取很多小方块,并且卷积神经网络需要一个个的进行处理。虽然使用较大的步长可以有效的节省计算成本，但是粗粒度的检测会影响性能，小步幅和小窗口就会大量的耗费计算成本
• 早些时候在普通的线性分类器上使用滑动窗口目标检测算法可以有很好的性能，但是对于卷积神经网络这种对于图像识别相当耗费性能的算法而言，需要对滑动窗口算法进行重新设计。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-k40ZqfQE-1605442140741)(https://images2018.cnblogs.com/blog/949241/201808/949241-20180813190930759-1346582376.gif)]

使用大小为14∗14∗314∗14∗3的图片作为图片数据,使用16个5∗55∗5的卷积核做卷积操作,得到10∗10∗1610∗10∗16的特征图,然后使用2∗22∗2的max-pooling池化算法,得到5∗5∗165∗5∗16的特征图.将结果输入到两层具有400个神经元节点的全连接层中，然后使用softmax函数进行分类–表示softmax单元输出的4个分类出现的概率。
接下来要将最后连接的两个全连接层FC1和FC2转换为卷积层。