目标检测前言

在正式学习目标检测之前，首先要了解一下相关的基础知识以及训练指标和专业术语

TP(True Positive)：lOU>0.5的检测数量（同一个Groud Truth只计算一次）图中的0.9cat

FP(False Positive): lOU<=0.5的检测框（或者是检测到同一个GT的多余检测框的数量）

        FP（假阳性）实际上不是，但是模型认为它是（0.3的边界框）

FN(False Negative):没有检测到的GT的数量

        FN是漏检的GTBOX（人工标注边界框）的个数 右下角还有一只猫，但是漏检了

precision 预测的所有目标中预测正确的比例 tp/(tp+fp) 查准率

recall 所有真实目标中，模型预测正确的目标比例 tp/(tp+fn) 查全率

confidence就是预测目标的一个概率

 绘制P-R曲线时要先去除recall的重复信息，相同的recall删除

 

 根据查准率和查全率绘制的P-R曲线

 AP就是P-R曲线的面积

 

目标检测方法主要分为两类：

One-Stage     主要思路：直接通过卷积神经网络提取特征，预测目标的分类与定位；例如SSD、YOLO

Two-Stage     主要思路：先进行区域生成，即生成候选区域（Region Proposal），在通过卷积神经网络预测目标的分类与定位；例如Faster-RCNN

所检测的目标就是前景，不感兴趣的目标就是背景

one stage:检测速度快

two stage:检测更准确