定位 + 分類問題是分類到目標檢測的乙個過渡問題，從單純地分類到分類後給出目標所處位置，再到多目標的類別和位置。接下來，我們看一下定位+ 分類問題的解法。
分類不用多說，上一章我們以分類為例講了卷積神經網路。在定位問題中，則需要模型返回目標所在的外接矩形框，即目標的（x,y,w,h）四元組。
接下來介紹一種比較容易想到的思路，把定位當做回歸問題，具體步驟如下：
（2）在分類網路最後乙個卷積層的特徵層（feature map）上新增「regression head」，如圖1-2 所示；補充說明：神經網路中不同的「head」通常用來訓練不同的目標，每個「head」的損失函式和優化方向不同。如果想讓乙個網路實現多個功能，通常是在神經網路後面接多個不同功能的「head」。
（3）同時訓練「classification head」和「regression head」，為了同時訓練分類和定位（定位是回歸問題）兩個問題，最終損失函式是分類和定位兩個「head」產生損失的加權和。
（4）在**時同時使用分類和回歸head 得到分類+ 定位結果。這裡強調一下，分類**出的結果就是c 個類別，回歸**的結果可能有兩種：一種是類別無關，輸出4個值；一種是類別相關，輸出4*c 個值，這要看讀者想要哪種結果了。
目標檢測入門系列手冊五 YOLO訓練教程
由於在r cnn 的系列演算法中都需要首先獲取大量proposal，但proposal 之間有很大的重疊，會帶來很多重複的工作。yolo 5 一改基於proposal 的 思路，將輸入劃分成sxs 個小格仔，在每個小格仔中做 最終將結果合併，如圖2 14 所示。接下來我們看一下yolo 學習的關鍵步...
目標檢測入門
檢測任務需要同時 物體的類別和位置，因此需要引入一些跟位置相關的概念。通常使用邊界框 bounding box，bbox 來表示物體的位置，邊界框是正好能包含物體的矩形框，如圖所示，圖中3個人分別對應3個邊界框。通常有兩種格式來表示邊界框的位置 xyxy，即 x1,y1,x2,y2 其中 x1,y1...
目標檢測精讀系列
1.概述 目標檢測是乙個比較活躍的領域，其目標是通過演算法檢測出影象中的感興趣目標。目前，基本上最先進的目標檢測演算法都是基於神經網路。在深度學習之前，基本上是提取特定角點 sift，hog等 去檢測目標，或是利用劃窗的方式結合svm等經典分類器去檢測目標，這類傳統的演算法的檢測效果不佳。隨著卷積神...