目标探测
单目标，多目标
直接思路：回归问题，局部识别问题（在很多位置尝试识别，能够完成识别的地方就是目标位置）
利用神经网络进行目标识别，同样的目标变为坐标值
会有候选框计算算法
问题：
怎么确定候选位置
小结：
分类思想（主流思想）目标探测：候选区域产生
传统方法-DPM
提取图像特征，制作出激励模板，在原始图像滑动计算，得到激励效果图
，根据激励效果图，根据激励分布确定目标位置
利用方向的统计（tan，HOG）
因为结构的关系，人的gradient区域卷积就会得到加强，
区域的激励会比较高
拓展：目标可能会形变，各个部分单独考虑
DPM:Deformable Parts Model
1.产生多个模板，整体模板以及不同局部模板
2.不同模板同输入图片“卷积”，产生特征图
3.特征图组合组合形成融合特征
4,对融合特征进行传统分类，回归，得到目标位置
优点：
方法直观简单
运算速度快
适应运动物体变形
至2012年，最好方法
缺点":
性能一般
激励特征人为设计，工作量大
大幅度旋转无法适应，稳定性差
神经网络分类
RCNN系列方法
神经网络分类思想：对多个位置，不同尺寸，用卷积神经网络判断区域内图片是不是某物
候选位置（proposal）提出方法：EdgeBox
RCNN：
1.类别减少
2.训练过程
3.测试过程
1.分类器的训练-直接用ImageNet模型
选择20类进行探测，
3.特征提取
图片计算候选区域，候选区域切分图片，变成输入大小，提取相应高级特征，
存储特征（很大容量）
4.单独目标探测器训练
每一类单独训练
每一类训练数据平衡
每一类binary分类
5.单独目标回归器训练-基于候选区域微调
每一类单独训练
每一类训练数据平衡
每一类BBOX回归
测试过程
1候选区域
2特征计算
3分类，回归
4后续处理
常用数据集
ImageNet，MScoco，PASCAL
评估方法：
IoU
优点：
CNN用于目标探测，利用了CNN的搞笑识别能力，大大提高性能
摆脱了人为设计物品模板，方法具有通用性
分类+回归，为了找到精确未知的可能
缺点：
为了检测一个目标，所有的候选区域计算，大量卷积运算非常慢
svm训练与cnn断裂，有效信息不能用于优化‘模型
每一类单独训练，异常繁琐
fast-RCNN
共享卷积计算（进行一次cnn运算）
1.卷积计算保持空间位置
2.共同区域的卷积计算只需要进行一次
3.切割候选区+提取特征图=计算完整特征图+ 切割对应候选区
完整训练呢（end-to-end）
多目标一起学习
比RCNN快了几千倍
特征一致化：
pooling
位置+类别（联合学习
先进行Feture Map计算，形成固定大小的feature map,找候选相应的区域，
解决proposal候选区域的生成问题：
faster-rcnn来解决
神经网络增加一组输出RPN候选区域网络
1.直接产生候选区域，无需额外生成
2.直接用于后续特征图切割
每个pixel生成k个Anchor，可以生成HW*k个prposal
Anchor的借鉴意义':
神经网络有能力找到最终量，也有能力找到很多中间量，
只用anchor判断是不是目标，会不会存在大材小用，
训练：
比较简单方法：
一个网络，四个损失函数：
Anchor是不是目标，
Anchor回归候选区域，回归
FastRcnn 分类，Fastrcnn基于候选位置回归
神经网络回归思想系列方法
Yolo系列方法
yolo可以找到会什么，在哪里
图片分成7*7网络
每个网格生成：
1.b个Bbox 4坐标+1信心
2.N个类别分数（注意对比Anchor）
损失函数
实时运行
精度稍微下降
定位精度较差
yolo version2？？？？？？？？？？
SSD
中间层参与位置和种类计算
较yolo，精度提升很多
代码：????????????
course_6_obj.py
yolo_tiny_tf.py
densebox???????
openpose??????