深度学习的应用及展望

一、目标监测问题

目标检测是在给定的图片中精确找到物体所在位置，并标注出物体的类别。物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，并且物体还可以是多个类别。

1、YOLO

YOLO是目标检测领域的一个集大成的方法，目标检测经过很多发展，从R-CNN、SPP NET、Fast R-CNN、Faster R-CNN,最终才实现YOLO。
目标监测的基本手段可以是滑动窗口，如下图所示。然而，滑动窗口的方法由于滑动次数太多，导致计算太慢。且目标大小不同，每一个滑动位置需要用很多框。

对于滑动窗口的改进：
➢ 一般图片中，大多数位置都不存在目标。
➢ 可以确定那些更有可能出现目标的位置，再有针对性的用CNN进
行检测——两步法（Region Proposal）
➢ 两步法依然很费时！
➢ 进一步减少出现目标的位置，而且将目标分类检测和定位问题
合在一个网络里——一步法（YOLO）
一步法的基本思想是把分类问题扩展为回归＋分类问题，例如，一个框里有一个目标，可以取目标中心点所在的框。
YOLO官方的模型结构图如下

网络结构包含24个卷积层和2个全连接层；其中前20个卷积层用来做预训
练，后面4个是随机初始化的卷积层，和2个全连接层。
YOLO当中有很多新定义的名词，例如包围框，指的是包围目标物体的方框。结合包围框，我们可以算出置信度。置信度是一个网格内有物体的概率,IOU是预测的anchor和真实的物体位置的交并比，如下图所示。