目标检测任务描述

1.目标检测算法分类

1. 两步走的目标检测：
   （1）先找出候选的一些区域
   （2）对区域进行调整
   代表：R-CNN、SPP-net、Fast R-CNN、（3）Faster R-CNN
2. 端到端的目标检测：
   （1）采用一个网络一步到位
   （2）输入图片，输出有哪些物体，物体在什么位置
   （3）代表：YOLO、SSD

2.目标检测的任务

1. 分类：
   N个类别
   输入∶图片
   输出︰类别标签
   评估指标:Accuracy

2. 检测：
   N个类别
   输入∶图片
   输出︰物体的位置坐标
   主要评估指标：IOU
   
   其中我们得出来的(x,y,w,h)有一个专业的名词，叫做bounding box(bbox).·

3. 物体位置：
   x，y， w，h：(x，y)物体的中心点位置，以及中心点距离物体两边的长宽
   xmin, ymin, xmax, ymax：物体位置的左上角、右下角坐标

3.目标定位的简单实现思路

增加—段全连接输出4个位置，做损失计算。

在分类的时候我们直接输出各个类别的概率，如果再加上定位的话，我们可以考虑在网络的最后输出加上位置信息。

1. 回归位置
   增加一个全连接层，即为FC1、FC2
   FC1∶作为类别的输出
   FC2∶作为这个物体位置数值的输出

假设有10个类别，输出[p1,p2,p3…10]，然后输出这一个对象的四个位置信息[x,y,w,h]。同理知道要网络输出什么，如果衡量整个网络的损失

• 对于分类的概率，还是使用交叉熵损失
• 位置信息具体的数值，可使用MSE均方误差损失(L2损失)

两种Bounding box名称
在目标检测当中，对bbox主要由两种类别。

• Ground-truth bounding box︰图片当中真实标记的框.
• Predicted bounding box:预测的时候标记的框

4.检测的评价指标(IoU、mAP)

4.1 loU交并比(Intersection over Union)

两个区域的重叠程度overlap：侯选区域和标定区域的loU值。

1. IoU交并比：0-1之间的值。
2. 位置的考量
   

4.2 平均精确率(mean average precision)mAP

1. 物体检测的:分类准确的考量。
2. 定义:多个分类任务的AP的平均值
   (1) mAP =所有类别的AP之和/类别的总个数
   (2) (AP1+AP2+…+AP20)/20
   (3) 对于每个类别计算AP的值:
   a.对于猫类别:候选框预测是猫类别的概率做一个排序，得到候选框排序列表(8个)
   b.对于猫当中候选框排序列表(8个)进行计算AP
   c.最终得到20个类别，20个AP相加