前面我们熟悉了 CNN 的几个经典模型，这节课我们来看看计算机视觉领域中新型的方向 —— 目标检测。
更新历史
- 2019.10.21: 完成初稿
目标定位 Object Localization
目标定位的关键在于定位，也就是识别出来某个对象后，还要能指出它在图片中的位置，如下图所示：
注意，本文中介绍的定位，一张图片只包含一个要识别和定位的对象。
那么问题来了，前面我们通过 softmax 来做多分类，现在还要输出对象在图片中的位置，咋办？其实也很简单，我们先看一下目标标签 y，这里需要做一些改动：
这里 $p_c$ 表示是否包含对象，包含的话为 1；$b_x,b_y,b_h,b_w$ 表示被检测对象的边框参数，$c_1,c_2,c_3$ 表示对象具体属于那一类（原来的 softmax 部分）。我们可以使用平方误差策略来构造损失函数，损失值等于每个元素相应差值的平方和。
特征点检测 Landmark Detection
与目标检测类似，特征点相当于把 $b_x,b_y,b_h,b_w$ 给推广了，具体要输出的是某几个点（需要在训练数据中进行标注处理），如下图所示：
注意，这些特征点的数目和所代表的含义是提前确定好的。
目标检测 Object Detection
有了目标定位和特征点检测的基础，我们就可以通过基于滑动窗口的目标检测算法来进行目标检测了。
如上图所示，我们通过不同尺寸的小矩形，一格一格遍历图片，我们要做的就是检测在不同的小窗口中检测是否出现目标。但是该方法缺点同样明显：计算成本太高。好在现在已经有了很好的方案，可以高效地在卷积层上应用滑动窗口目标检测器。
卷积的滑动窗口实现 Convolutional Implementation of Sliding Windows
为了提高效率，我们先要把神经网络的全连接层转成卷积层，要用到前面提到的 1x1 矩阵了，其实也很简单，如下图所示：
全都变成卷积之后，我们就可以一次得到所有的预测值，这就大大降低了运算。这里的思路和前面向量化有异曲同工之妙，大家可以感受下，具体如下图所示：
但现在依然有不足的地方，就是我们无法得到最精准的边框，我们最终得到的结果，和滑动窗口的大小是完全一致的。
Bounding Box 预测
想要得到更精准边界框，我们可以使用 YOLO(You only look once) 算法。具体逻辑如下：
YOLO 是一个卷积实现，可以达到实时识别（但是 YOLO 论文难度很高，请注意）。
交并比 Intersection over Union
我们通过交并比函数来评价对象检测算法。具体如下：
如果 IoU >= 0.5，那么检测正确。一般不会比 0.5 低，如果需要更严格，可以到 0.6/0.7 这样。
非极大值抑制 Non-max Suppression
简单来说，非极大值抑制这个方法可以确保算法对每个对象只检测一次。先来看一个实际的例子：
上图基于每个格子的检测中，123456 都会认为自己格子里有车。那么非极大值抑制的做法就是清理重复的检测结果，而不是每辆车都触发多次检测。简单来说就是如果检测出来的边界用重叠，那么选概率最高的，如下图所示，最后留下的是白色框框：
接下来，我们会用 Anchor Boxes 进一步优化效果。
Anchor Boxes 主要处理的是两个对象在同一个格子的情况，并且也可以根据要监测的对象的特征进行区别对待（比如行人和汽车的长宽比例不同，如下图所示）
一般来说，我们会手动指定 Anchor Box 的形状。
YOLO 算法
我们把前面学到的放到一起，就可以得到完整的 YOLO 对象检测算法！如下图所示：
训练的时候，我们可以看到对于格子 1（蓝色箭头指的向量），很多是问号，因为这个框里没有目标，只要 $p_c$ 是 0 就行。而对于格子 2（绿色箭头指的向量），就包括了 $b_x,b_y,b_h,b_w$，这里因为红色框与编号为 5 的 Anchor Box 交并比更高，所以后面 8 个位置是有值的。
预测的时候也差不多，输出是一个 3x3x2x8 的向量，如下图所示：
最后再做一次非极大值抑制即可。注意，如果有多个检测类别，需要对每个类别单独运行非极大值抑制。
这就是 YOLO，最有效的对象检测算范之一，包含非常多精妙的思路！
候选区域 Region Proposals
候选区域是计算机视觉中很重要的概念，简单来说就是不在整张图片上做滑动窗口检测，而是只在少数可能有目标的窗口上运行。那么如何知道哪个窗口比较靠谱呢？首先会用分割算法划分图片，然后在可能有内容的地方设定窗口进行检测，如下图所示：
这就是所谓的 R-CNN，但问题在于，速度比较慢，即使有一些改进的做法，但还是要比 YOLO 慢不少（毕竟需要两步）。