目标检测是计算机视觉领域中一个新兴的应用方向。相比前两年，它的性能越来越好。
对象定位
在构建对象检测之前，我们先了解一下对象定位。
定位分类问题：
不仅要用算法判断图片中是不是一辆汽车，还要在图片中标记出它的位置。
定位分类问题通常只有一个较大的对象位于图片中间位置。
对象检测问题：
图片可以含有多个对象，甚至单张图片中会有多个不同分类的对象。
图片分类的思路可以帮助学习分类定位，而对象定位的思路又有助于学习对象检测。
分类和定位
图片分类的流程（标准的分类pipeline）：
- 输入一张图片到多层卷积神经网络
- 输出一个特征向量
- 特征向量反馈给softmax单元来预测图片类型
定位的思路
想定位图片中汽车的位置，实际上就是让神经网络多输出几个单元，输出一个边界框。
具体说就是让神经网络再多输出4个数字，标记为bx、by、bh和bw，这四个数字是被检测对象的边界框的参数化表示。
在这里规定，图片左上角的坐标为(0,0)，右下角标记为(1,1)，
要想确定边界框的具体位置，需要指定红色方框的中心点(bx,by)，边界框的高度为bh，宽度为bw。
训练集的变化
训练集不仅包含神经网络要预测的对象分类标签，还包含表示边界框的这四个参数。
训练思路
接着采用监督学习算法，输出一个分类标签和这四个参数。
例子分析
此例中：
- bx的理想值是0.5（表示汽车位于图片水平方向的中间位置）
- by大约是0.7（表示汽车位于距离图片底部3/10的位置）
- bh约为0.3（表示红色方框的高度是图片高度的0.3倍）
- bw约为0.4（表示红色方框的宽度是图片宽度的0.4倍）。
定义目标标签y
神经网络输出的是四个参数、分类标签出现的概率。
鉴于我们所要处理的问题，我们假设图片中只含有一个对象。
则y是一个向量：
- 第一个组件Pc表示是否含有对象（如果对象属于前三类则Pc=1。如果是背景则Pc=0）。
- 第二个组件bx、by、bh和bw表示如果检测到对象，就输出被检测对象的边界框参数。
- 第三个组件c1、c2、c3表示在Pc=1的情况下，判断对象属于1-3中的哪一类
损失函数
上图是对误差函数的简单的描述。
通常做法是对边界框坐标应用平方误差或类似方法，对Pc应用逻辑回归函数（甚至采用平方预测误差也是可以的）。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
