利用卷积层实现滑动窗口(Convolutional implementation of sliding windows)

 利用滑动窗口进行目标检测时，低级做法是：滑动一下窗口，送入CNN执行一次分类，再滑一下，再分类。。。。这样效率太低。
 我们很容易发现，在每次滑动得到的窗口卷积的过程中，很多地方是重复进行了卷积，那我们可不可以一次性送入整张图片，直接得到所有滑动窗口的结果呢？
Sure!
 假设我们有个14x14x3的图，其要送入如图所示的+全连接的网络进行分类：

 那么由于全连接层的存在，会改变原先矩阵的结构，无法达到我们只传入一整张图实现所有滑动窗口的目的（即FC的存在会使输入图像固定大小）。
 所以我们先要将全连接层等价地变成卷积层。

How FC layer -----> Conv layer?

 So easy，看图！最后一层卷积层我们得到了5x5x16的特征图，
 1. 然后第一层全连接层我们换成采用400个5x5x16的卷积核进行卷积。
 2. 第二层卷积用400个1x1x400的卷积核进行卷积
 3. 最后用4个1x1x400代替softmax不就OK。
 其实这样的操作和全连接是一样的，因为我们得出的这400个节点，都是分别用400个卷积核核特征图进行线性加权求和得到，所以和全连接层起到一样的效果。
 （注：全卷积网络参数量没有变，只是为了实现在卷积层上实现滑动窗口，在目标检测中很有用）

Convolutional implementation of sliding windows:

 假设输入CNN的图片为14x14x3，测试图片为16x16x3。
 那就需要移动窗口（窗口大小：14x14x3），得到4个14x14x3的图片，分别将其输入CNN，得到4个结果。
 这样效率太低，存在很多重复的卷积运算。其实我们可以将整张16x16x3的图输入CNN，如上图（下）所示，最后得出4个小方块，其实每个小方块对刚好就是对应的一个滑动窗口的预测结果（不信的话，你可以自己用笔圈一圈，看看卷积后的结果即懂）。
 这里滑动步幅是2是如何实现的呢？其实是通过max-pooling中的池化参数为2，这就相当于以大小为2的步幅在原始图片上应用CNN。

 以上我们就实现了在卷积层上应用滑动窗口，它能够提高整个检测算法的效率。
 不过这种算法仍然存在一个缺点，就是边界框的位置可能不够准确。其中一个能得到更精准边界框的算法是YOLO算法，基本思想就是将图像划分成nxn个grid cell，对象的中点落在哪个cell中，哪个cell就负责该对象的预测。。。。这里就不讲YOLO了哈哈哈。

参考：Andrew Ng 的教学视频