声明：本文引用吴恩达教授的DeepLearning课程内容。
1.目标检测基本概念
对于之前的图像问题多数是图像分类，首先将一个图片输入到神经网络中，然后通过多层卷积运算，最后经过几个全连接层，交给Softmax得到分类预测概率向量。
对于目标检测算法，输出标签需要增加边界框四个参数（有一些不同的表示方法：1.中心点、长、宽；2.左下角坐标、右上角坐标；3.左下角坐标，长，宽；但是原理都是一样的）。
2.基于滑动窗口的目标检测算法
首先固定一个卷积区域，然后将卷积核在图像上按照指定步长进行滑动，对于每一次的滑动得到区域进行预测，判断该区域中存在目标的概率。 
滑动窗口目标检测算法也有很明显的缺点，就是计算成本，因为你在图片中剪切出太多小方块，卷积网络要一个个地处理。如果你选用的步幅很大，显然会减少输入卷积网络的窗口个数，但是粗糙间隔尺寸可能会影响性能。反之，如果采用小粒度或小步幅，传递给卷积网络的小窗口会特别多，这意味着超高的计算成本。
3.卷积的滑动窗口实现
Andrew Ng在视频中使用的网络结构如图：
假设对象检测算法输入一个14×14×3的图像，假设对象检测算法输入一个14×14×3的图像。假设对象检测算法输入一个14×14×3的图像y。
我们使用卷积层对全连接层进行替换。至于为什么需要使用卷积层对全连接层进行替换？因为本身在窗口滑动以及多尺度检测的时候运算量会大幅度上升，本身全连接层的运算量非常大，所以使用卷积操作进行替换，提升速度。
对于全连接层，我们可以用5×5的过滤器来实现，数量是400个（编号1所示），输入图像大小为5×5×16，用5×5的过滤器对它进行卷积操作，过滤器实际上是5×5×16，因为在卷积过程中，过滤器会遍历这16个通道，所以这两处的通道数量必须保持一致，输出结果为1×1。假设应用400个这样的5×5×16过滤器，输出维度就是1×1×400，我们不再把它看作一个含有400个节点的集合，而是一个1×1×400的输出层。从数学角度看，它和全连接层是一样的，因为这400个节点中每个节点都有一个5×5×16维度的过滤器，所以每个值都是上一层这些5×5×16**值经过某个任意线性函数的输出结果。我们再添加另外一个卷积层（编号2所示），这里用的是1×1卷积，假设有400个1×1的过滤器，在这400个过滤器的作用下，下一层的维度是1×1×400，它其实就是上个网络中的这一全连接层。最后经由1×1过滤器的处理，得到一个softmax**值，通过卷积网络，我们最终得到这个1×1×4的输出层，而不是这4个数字（编号3所示）。 
在训练阶段的输入是14×14×3的输入图像，然后经过一系列的卷积运算，得到1×1×4的输出。对于检测阶段，在这个16×16×3的小图像上滑动窗口，卷积网络运行了4次，于是输出了了4个标签。该卷积操作的原理是我们不需要把输入图像分割成四个子集，分别执行前向传播，而是把它们作为一张图片输入给卷积网络进行计算，其中的公共区域可以共享很多计算，就像这里我们看到的这个4个14×14的方块一样。