目标检测算法分类

目标检测算法分类：

1、两步走的目标检测：先找出候选的一些区域，再对区域进行调整分类

                                      代表：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN

2、端到端的目标检测：采用一个网络一步到位，输入图片，输出有哪些物体，物体在什么位置

                                       代表：YOLO、SSD

目标检测的任务：

分类原理：

        如下是一张CNN组成图，输入一张图片，经过其中卷积、激活、池化相关层，最后加入全连接层达到分类概率的效果。

 分类的损失与优化：

        在训练的时候需要计算每个样本的损失，那么CNN做分类的时候使用softmax函数计算结果，损失为交叉熵损失

         对于目标检测来说不仅仅是分类这样简单的一个图片输出一个结果，而且还需要输出图片中目标的位置信息，所以从分类到检测，如下图标记了过程：

检测的任务：

分类：

        N个类别

        输入：图片

        输出：类别标签

        评估指标：Accuracy

定位：

        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) 

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款

xmin,ymin,xmax,ymax：物体位置的左上角、右下角坐标

目标定位的简单实现思路：

        在分类的时候我们直接输出各个类别的概率，如果加上定位的话，我们可以考虑在 网络的最后输出加上位置信息。（增加一段全连接输出4个位置，做损失计算）

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