1. 目标检测 vs 图像分类
| 任务 | 回答什么 |
|---|---|
| 图像分类 | 图里是什么 |
| 目标检测 | 图里有哪些物体 + 它们在哪 + 多大 |
应用：自动驾驶识别马路上所有目标及其位置。
2. 分类 + 定位（单目标）
2.1 边界框（Bounding Box）
标注时用框框出目标，用 4 个数字表示位置和大小：
- 原点在图片左上角 (0,0)，右下角 (1,1)，坐标归一化
- 例：汽车中心 (0.51, 0.53)，高 0.26，宽 0.31
2.2 Ground Truth 标注格式（8 个元素）
| 元素 | 含义 |
|---|---|
| 图里是否有目标（0/1） | |
| 边界框位置和大小 | |
| 是哪类目标（one-hot） |
例：[1, 0.51, 0.53, 0.26, 0.31, 1, 0, 0]（一辆汽车）
2.3 网络改造与损失函数
输出层从 3 个神经元改为 8 个，每个对应一个元素。损失分三部分：
| 部分 | 激活函数 | 损失函数 |
|---|---|---|
| （是否有目标） | Sigmoid | 二分类交叉熵 |
| （位置） | —（线性） | MSE |
| （类别） | Softmax | 多分类交叉熵 |
2.4 总 loss 分两种情况
Pc = 0（图里没目标）：
loss = 只算 Pc 的二分类损失
（忽略边界框和类别的损失）
Pc = 1（有目标）：
loss = 8 个元素所有损失相加关键启示：卷积神经网络不仅能分类，也能做回归；多目标任务的 loss 可以拆成多个子 loss 相加。
3. 滑动窗口法（多目标）
图片里有多个目标怎么办？
滑动窗口：定义不同大小的窗口在图上滑动，每次截取一块交给 CNN 分类定位。
| 参数 | 影响 |
|---|---|
| 窗口大小 | 需多种大小适应不同尺寸目标 |
| 步长 | 太小→截取多、检测慢；太大→可能截不到完整目标 |
4. 卷积共享：避免重复计算
滑动窗口的截取图有大量重叠，每次都独立跑 CNN 是巨大浪费。
改进：对整张原图做一次完整卷积，得到一个大的特征图。
滑动窗口法：4 个窗口 → 分别卷积 → 4 个 1×1×8 特征
卷积共享： 原图 1 次卷积 → 1 个 2×2×8 特征图
↑ 2×2 正好对应 4 个窗口位置一次卷积搞定所有窗口，计算量大幅下降。
5. 两大流派
5.1 R-CNN 系列（两阶段，精度高，速度慢）
第一阶段：找出目标可能存在的候选区域（Region Proposal）
第二阶段：对候选区域做分类和定位5.2 YOLO 系列（端到端，速度快，实时）
You Only Look Once —— 只看一次。
把图片划分成 S×S 个 cell（如 3×3 或实际 13×13）
CNN 输出 S×S×(5+C) 的特征图
5 = 4 个位置 + 1 个是否有目标标志
C = 类别数（如 1000）
目标中心点落在哪个 cell，就由哪个 cell 负责预测| R-CNN | YOLO | |
|---|---|---|
| 阶段 | 两阶段 | 单阶段（端到端） |
| 速度 | 慢 | 快、实时 |
| 精度 | 高 | 略低 |
6. 总结
目标检测 = 分类 + 定位（+ 多目标）
单目标：
Ground Truth = [Pc, x, y, h, w, 类别one-hot]
loss = Pc的二分类 + 位置的MSE + 类别的多分类CE
多目标：
滑动窗口（慢但有重叠浪费）
→ 卷积共享：整图一次卷积，特征图对应所有窗口
两大流派：
R-CNN：两阶段，候选区域 + 分类定位（精但慢）
YOLO：单阶段，划分 cell 一次预测（快、实时）
还有更多问题（一个 cell 多目标、多 cell 同目标、目标尺度差异大）
→ 专门的教程再深入