本文探讨了深度学习中的目标探测技术，包括滑动窗口方法、YOLO算法和R-CNN。介绍了YOLO的核心思想、训练标签定义以及非极大值抑制在解决重复检测问题上的作用。同时，提到了交并比作为评估边界框匹配度的重要指标。
前言
我们再更多的情况下不仅仅想要将图像分类，我们还想判断这个物体到底在图像的哪个部位上，所以说这时候目标探测应运而生。
目标探测，除了要使用softmax判断类别外，还需要一个边界框（以中心点的x，y和宽和高四个参数来体现）。
涉及的技术
有判断轮廓的landmarkdetection
有判断是否有物品的object detection
还有我们的localization and detection
如何实现？
滑动窗口
我们首先需要训练一个能识别汽车的卷积神经网络，然后一个直观的想法就是说我们使用一个小框，不停的滑动，不断通过分类器对于框内的图像进行识别。这种方法的缺点现在于计算成本较大，要是想精准的找到合适大小的窗口匹配上，需要不断调整大小反复调用分类器，所以是粗粒度也不是，细粒度也不是。
滑动窗口的卷积实现
为了构
最低0.47元/天 解锁文章
6143
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
