1）什么是目标定位
分类解决了这是什么的问题，比如下图，这是一辆车，；
定位问题则是要把车的位置标识出来，叫做定位分类问题；
检测问题后面会讲，检测问题就是在一幅图像中有多个对象时，应该如何检测并确定其位置。
分类和定位问题使用的图像一般只有一个对象，位于图像的中间，而检测所用的图像一般会有多个对象，甚至是多个不同分类的对象
2）如何在分类的基础上实现目标定位
如上图，假设一共有行人、汽车、摩托、背景四类，通过softmax输出预测，那么要同时完成定位问题，可以增加一个边界输出，边界由中心点坐标以及长款四个参数确定，分别为bx,by,bh,bw，也就是在softmax的输出中增加四个参数。
如涉及softmax输出为下图：
Pc标识是否为背景，1表示是其他对象，0表示是背景；
bx,by,bh,bw是定位边界的参数，一般设定图片左上角为原点(0, 0)，右下角为(1, 1)。在模型训练时，bx、by、bh、bw都由人为确定其数值。例如上图中，可得bx=0.5，by=0.7，bh=0.3，bw=0.4；
c1,c2,c3表示是否输入行人、汽车、摩托类。
可以看出当Pc=1时其他参数才有意义，当Pc=0时，其他参数没有意义，所以若损失函数采用平方误差的形式，应当如下：
这里为了简化说明使用平方误差，实际中也可以对c1,c2,c3进行最大似然估计，最后只输出一个值，即对象从属的类，对边界参数通常采用平方误差的形式，对Pc采用逻辑回归损失函数，但直接使用平方误差也是可以的。
除了使用矩形区域检测目标类别和位置外，我们还可以仅对目标的关键特征点坐标进行定位，这些关键点被称为landmarks。
例如人脸识别，可以对人脸部分特征点坐标进行定位检测，并标记出来，如下图所示：
该人脸检测模型共检测人脸上64处特征点，加上是否为face的标志位，输出label共有64x2+1=129个值。
如果有足够多的数据来输出这些特征，那么可以利用这些特征做很多有趣的事情，比如人物表情识别、判断人物姿态等
此方法发挥作用的关键是，设置的点的意义在所有图片中必须保持一致，也就是某个点代表某个特征，那么所有图像上这个点都必须代表这个特征，如点1代表右外眼角，点2代表右内眼角，那么所有的图片都必须按这个顺序标识。
本节介绍的是基于滑动窗口的目标检测算法
假设要建立一个汽车检测的算法：
首先，创建一个标签训练集，因为我们要实现的是滑动窗口目标检测，所以训练集中的图片可以剪切掉汽车之外的部分，也就是让汽车位于图片的中间且基本占满整个图片；
然后，就可以利用这个带标签的数据集进行CNN网络训练；
最后，用训练好的CNN进行滑动窗口目标检测，具体步骤如下：首先选定一个合适大小的窗口作为滑动窗口，然后以一定步长遍历图像整个区域（从左上到右下），将每次滑动区域内的小图像输入CNN，进行0或1的分类，分类为1的情况即为检测到汽车。
滑动窗口目标检测缺点是：计算成本大，因为要在图片中剪切出很多小图，每个都要经过CNN处理，如果增大步幅，那么有可能因为颗粒过大影响性能，而减小步幅，又会增加计算成本。所以在神经网络兴起之前，人们都采用简单的分类器进行对象检测，如线性分类器，因为分类器简单计算成本小，所以窗口滑动速度快，检测效果好，而CNN运行单个分类任务的成本要高得多，所以窗口滑动较慢，不过幸运的是，计算成本的问题已经有了很好的解决方案。
本节继续上节的问题，解决卷积网络下滑动窗口速度慢的问题，解决办法就是不切割图像多次带入CNN，而是一次性输入图像并计算所有值。具体做法分两步：
1）如何将全连接层转化为卷积层
全连接层转变成卷积层的操作很简单，只需要使用与上层尺寸一致的滤波算子进行卷积运算即可。最终得到的输出层维度是1 x 1 x 4，代表4类输出值。
2）输入图像进行卷积计算，一次计算所有小图像的预测值
如上图第一行表示滑动窗口大小，MAXPOOL为2x2表示其滑动步长为2。如果对16x16x3的图片进行如上的卷积计算，那么最终获得2x2=4个预测值，最左上角的蓝色方块的值，是原图最左上14x14x3的子图像的预测值，右上角的绿色方块的值，就是原图最右上角14x14x3的子图像的预测值，以原来的滑动方法需要进行4次卷积网络运算；以此类推。同理对28x28x3的图像进行同样的卷积操作，输出层是8x8，即以14x14x3为滑动窗口步长为2的所有子图像的预测值，以原来的滑动方法需要进行64次卷积网络运算。
这样做的优点是很多共用区域的值不用重复计算，从而大大节约计算成本。
解决了计算成本的问题，本节讨论如何获得更精准的物体边框，方法就是YOLO算法。
YOLO(you only look at once)，YOLO算法首先将原始图片分割成n x n网格，每个网格代表一块区域。为简化说明，下图中将图片分成3 x 3网格，如下图：
也就是步长为n(POOL为nxn)，滑动窗口大小为33x33的基于滑动窗口的CNN检测算法，得到的的输出层维度为3x3x8。其中，3x3对应9个网格，每个网格的输出包含8个元素，如前所述，分别为Pc,bx,by,bh,bw,c1,c2,c3。Pc的值根据目标中心坐标bx,by在不在当前网格确定，即bx,by在当前网格Pc=1，否则Pc=0。关于边框bx,by,bh,bw的表示，这里提供一种可行的方法供参考，还有很多其他方式，目标的中心坐标bx和by按照其所在网格的比例确定，如上图假设左上角坐标为(0,0)右下角坐标(1,1)，bx=0.3,by=0.4，这两个参数在网格中所以其值小于1，bh和bw表示目标的高和宽，由于目标可能跨窗口存在，所以这两个数值可以大于1。
YOLO算法由于计算目标外框的时候并不切割图像，所以可以获得更精准的边框。
此算法可能会有多个目标的中心坐标被划分到一个网格的情况，这个问题会在后面介绍，但是通常来讲，划分的网格越密，网格越小，则多个目标的中心坐标被划分到一个网格内的概率就越小
问题记录：
如果图像尺寸不能被平分呢，如上图100x100的图像分成3x3的网格，如果每个网格33x33,那多余的怎么办，如果34x34，必然会有覆盖，那么目标中心归属就是问题
如何判断对象检测算法运行良好呢？即有没有什么评价对象检测算法的指标呢？-----交并比
交并比(IoU)就是计算预测边框和实际边框的交集比上并集，如图：
、如果IoU>=0.5，那么这个预测就是可接受的，一般约定0.5为阈值，不过阈值越大，获得的边框越精确。
还可以利用IoU改善YOLO算法，下面介绍。
7. Non-max Suppression非极大值抑制
非极大值抑制可以确保每个目标只被检测出来一次，防止同一目标被检测多次。
YOLO算法训练时由于标记了目标的中心，所以不存在目标被重复检测到的问题，但是对于一副新输入的图像来说，如果划分的网格较小，那么可能有多个网格都包含同一目标，那么这个目标就可能被重复检测出来。如下图，19x19的网格划分原图，同一辆车会被划分到多个网格，那么对应网格检测的Pc值为此网格检测到目标的概率（实际检测某一目标的概率应该是Pc*c1 or Pc*c2 or Pc*c3）
非最大值抑制（Non-max Suppression）就是先找到Pc最大的网格获得的边界框，与这个边界框具有高交并比的边界框都会被抑制（也就是删除），如下图左边汽车检测到了2次，那么选Pc最大的边界框即Pc=0.8的边界框，和它交并比较高的Pc=0.7的边界框要删掉，另一个同理取Pc=0.9的边界框，删掉和它交并比较高的0.6和0.7的边界框。
总结，非最大值抑制的总流程为：
首先，删去所有Pc过小的边界框；
然后，选取Pc最大的边界框作为预测值；
最后，删掉所有与选定边界框交并比较高的边界框。
注意，要对不同的输出类别单独进行非最大值抑制，即汽车类做一次非最大值抑制，摩托类做一次非极大值抑制……
问题记录：
第二步选取Pc最大的边界框，这一步应该怎样区分不同目标的Pc值呢，也就是如果两个检测目标，一个检测了两遍Pc为0.7 0.6，另一个检测了三遍Pc为0.6 0.8 0.9，理论上应该一个选0.7一个选0.9，那么选择Pc最大的边框是不是应该有个前提条件：在几个交并比较高的边框中选择Pc最大的，所以是不是要先计算边框的交并比，找到重叠较多的边框，然后在这几个边框中选择Pc最大的作为输出，其余删掉？
本节讨论在一个网格中存在多个目标的情况。
如下图所示，同一网格出现了两个目标：人和车。为了同时检测两个目标，我们可以设置两个Anchor Boxes，Anchor box 1检测人，Anchor box 2检测车。也就是说，每个网格多加了一层输出。原来的输出维度是 3 x 3 x 8，现在是3 x 3 x 2 x 8（也可以写成3 x 3 x 16的形式）。这里的2表示有两个Anchor Boxes，用来在一个网格中同时检测多个目标。每个Anchor box都有一个Pc值，若两个Pc值均大于某阈值，则检测到了两个目标。
例子中两个Anchor Boxes一个瘦长用来框选行人，一个宽扁用来框选汽车，实际中Anchor Boxes形状的选择可以通过人为选取，即人为的根据经验将所有目标的形状设计出来，也可以使用其他机器学习算法，例如k聚类算法对待检测的所有目标进行形状分类，目前这是最好的自动选择Anchor Boxes的方法。
总结整个流程：
以包含两个Anchor Boxes的YOLO算法为例
利用滑动窗算法对原始图片的每个区域都进行扫描，即使是一些空白的或明显没有目标的区域，这样会降低算法运行效率，耗费时间。解决办法就是候选区域(Region Proposal)。
具体做法是：首先，对原始图片进行分割算法处理，找出可能存在对象的区域，即不同色块；然后对不同色块应用CNN检测。这样会比原先逐个区域检测检测次数要少的多。
但是现在来看这个算法的速度还是不够快，所以有一些对此的改进算法：
1）fast R-CNN：首先用图像分割聚类算法获得候选区，然后用滑动窗口的一次CNN（见本周第四节）实现检测。缺点：获得候选区这一步依旧非常慢
2）faster R-CNN：用CNN 来获得候选区。
通常来讲即使是最快的R-CNN速度也略逊色于YOLO算法，所以推荐YOLO算法
本文部分借鉴了博客http://blog.csdn.net/red_stone1/article/details/79028058