目标检测（Object detection）

来源：Coursera吴恩达深度学习课程

熟悉了目标定位（Object localization）和特征点检测（Landmark detection），可以尝试构建一个目标检测算法。这篇文章将学习如何通过卷积网络进行目标检测，采用的是基于滑动窗口的目标检测算法（the sliding windows detection algorithm）。让我们往下看吧。

如上图所示，假如在构建一个汽车检测算法（car detection algorithm），（1）首先创建一个标签训练集（a label training set），也就是x和y表示适当剪切的汽车图片样本（closely cropped examples of cars），前三张图片是正样本（positive example），因为它们是汽车图片。（2）然后可以训练卷积网络，输入为这些适当裁剪过的图片，输出为y（0或1表示图片中有汽车或没有汽车）。（3）训练完这个卷积网络，就可以用它来实现滑动窗口目标检测（sliding windows detection），具体步骤如下。

上图是一张测试图片（test image），①首先选定一个特定大小的窗口（pick a certain  window sizes），将这个红色小方块（a small rectangular region）输入卷积神经网络，卷积网络开始进行预测，即判断红色方框内有没有汽车。②接下来会继续处理第二个图像，即红色方框稍向右滑动之后的区域，并输入给卷积网络，因此输入给卷积网络的只有红色方框内的区域，再次运行卷积网络；③然后处理第三个图像，依次重复操作，直到这个窗口滑过图像的每一个角落。

为了滑动得更快，这里选用的步幅比较大，思路是以固定步幅移动窗口，遍历图像的每个区域，把这些剪切后的小图像输入卷积网络，对每个位置按0或1进行分类，这就是所谓的图像滑动窗口操作。

重复上述操作，不过这次我们选择一个更大的窗口，截取更大的区域（take a slightly larger region），如下图：

然后第三次重复操作，这次选用更大的窗口（using even larger windows）。如下图：

第三次更大的窗口使得不论汽车在图片的什么位置，总有一个窗口可以检测到它。

这种算法叫作滑动窗口目标检测（sliding windows detection），因为以某个步幅滑动这些方框窗口遍历整张图片，对这些方形区域进行分类，判断里面有没有汽车。

滑动窗口目标检测算法也有很明显的缺点，就是计算成本（computational cost），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。

所以在神经网络兴起之前，人们通常采用更简单的分类器进行目标检测，比如通过采用手工处理工程特征的简单的线性分类器（a simple linear classifier）来执行目标检测。至于误差（error），因为每个分类器的计算成本都很低，它只是一个线性函数。然而，卷积网络运行单个分类任务的成本却高得多，像这样滑动窗口太慢。除非采用超细粒度（a very fine granularity）或极小步幅（a very small  stride），否则无法准确定位图片中的对象。

不过，庆幸的是，计算成本问题已经有了很好的解决方案，大大提高了卷积层上应用滑动窗口目标检测器的效率，关于它的具体实现，可以看下一篇文章或者自行查阅相关资料。

说明：记录学习笔记，如果错误欢迎指正！转载请联系我。