yolo对象检测算法

如何利用神经网络进行对象定位

定位：判断物体在图片中的具体位置。

(bx,by,bh,bw)被检测对象的边界框的参数化表示。
定义目标标签y
**损失函数：**用的平方误差

pc指是否有目标，有的话，pc=1

特征点检测

x:图片；y:特征点的坐标

如何通过卷积网络进行对象检测

基于滑动窗口的目标检测算法

该方法有明显的缺点：计算成本

在卷积层上应用滑动窗口

将神经网络的全连接层转为卷积层


原来的实现方法：在图片中剪切出一块区域，然后输入到卷积网络中，然后是下一块区域
现在：对整张图像进行卷积操作，一次得到所有的预测值
不用依靠连续的卷积操作来识别图片中的对象，提高了整个算法的效率，但是边界框的位置可能还不够准确。

Bounding boxes预测

标签y和对象定位中的一样，具体就精确。
bx,by,bh,bw是相对格子尺度的比例

交并比函数（intersection over union)

该函数是通过计算两个边界框交集和并集之比，来判断对象检测算法优良的
IOU>=0.5即检测正确（0.5是人为规定）

非最大值抑制

非最大值抑制保证算法对每个对象只检测一次。、
只输出概率最大的分类结果（pc此时是一个概率值）

只做汽车检测，就去掉c1,c2,c3这些参数。
(1)去掉所有边界框有对象的概率即pc小于或等于某个阙值
(2)当这里还有边界框时：
选择有最大pc的输出作为预测
去掉与上一个输出边界框iou>=0.5的所有剩下的边界框

Anchor Boxes

让一个格子检测出多个对象。
对于训练集中的每个对象，都根据对象的中点位置分配到对应的格子里，它还分配到一个 和它形状交并比最高的Anchor Boxe

yolo对象检测算法

构造训练集：遍历9个格子，构成对应的目标向量y

输入是图片，训练一个卷积网络，输出是y

作出预测

(可选阅读)候选区域

选出一些区域，在这些区域上运行卷积网络分类器是有意义的。
选出候选区域的方法是：图像分割算法（segmentation algorithm）

找出色块，再在这些色块上跑分类器。
R-CNN算法：使用某种算法求出候选区域，然后对每个候选区域跑一下分类器。每个区域会输出一个标签（有没有车？人？摩托车？）并输出一个边界框。
FAST R-CNN：与R-CNN很类似。不过，用卷积实现了滑动窗口。（与第四节很相似）候选区域的聚类步骤还是缓慢。
FASTER R-CNN：使用卷积神经网络来选择候选区域