开头的话

最近在做物体检测，遍寻资料，发现这本书写得蛮不错。条理清楚，不是资料的堆砌，一看作者就是这方面的行家，貌似是北航的学霸。强烈推荐大家购买该书，支持作者。

第一章 浅谈物体检测与PyTorch

非深度学习的基础知识及安装等步骤都没有记录

人工智能、机器学习与深度学习之间的关系。

人工智能的分类。

• 弱人工智能（Artificial Narrow Intelligence，ANI）：擅长某个特定任务的智能。
• 强人工智能（Artificial General Intelligence，ASI）：像人一样的复杂智能。
• 超人工智能（Artificial Super Intelligence，ASI）：是在所有的领域都比人类大脑聪明的智能。

机器学习的关键在于从大量的数据中找出规律，自动的学习出算法所需的参数。

机器学习的分类。

• 监督学习：在训练时利用带有人工标注标签的数据对模型进行训练，在预测时根据训练好的模型对输入进行预测。
• 无监督学习：输入的数据没有标签信息。
  强化学习：让模型在一定的环境中学习，每次行动都会有对应的奖励，目标是使奖励最大化。

深度学习主要通过搭建深层的人工神经网络来进行知识的识别，输入的数据通常较为复杂、规模大、纬度高

深度学习中的核心因素

分类很细致。

物体检测技术，通常是指在一张图像中检测出物体出现的位置及对应的类别。

图像分类、物体检测与图像分割的区别。

• 图像分类：输入图像往往仅包含一个物体，目的是判断每张图像是什么物体。
• 物体检测：输入图像中往往有很多物体，目的是判断出物体出现的位置和类别。
• 图像分割：输入与物体检测类似，但要判断出每个像素属于哪个类别，属于像素级的分类。

传统方法的流程。

• 区域选择：选取图像中可能出现物体的位置，通常使用滑动窗口算法。
• 特征提取：使用人工设计的特征（SIFT、HOG等）对图像进行特征提取。
• 特征分类：对上一步得到的特征进行分类（SVM，AdaBoost等）。

2014的RCNN是深度学习实现物体检测的经典之作。

深度学习检测器的发展历程。

物体检测算法中，物体边框从无到有，边框变化的过程在一定程度上体现了检测是一阶还是二阶的。

• 二阶：第一阶段找出物体出现的位置，得到建议框，保证足够的召回率；第二阶段对建议框进行分类，找寻更精确的位置。（Faster RCNN）
• 一阶：在一个阶段中完成寻找物体出现位置与类别的预测，速度快但精度会有所损失。（SSD，YOLO）

Anchor最早出现在Faster RCNN中，本质是一系列大小宽高不等的先验框，均匀的分布在特征图上。（Faster RCNN和SSD）

通常使用IoU(Intersection of Union)来量化贴合程度。IoU的取值区间是[0，1]，IoU值越大，表明两个框重合越好。

IoU的定义与计算方法。

预测框的四种结果

• 正确检测框TP（True Positive）：预测框正确的与标签框匹配了。
• 误检框FP（False Positive）：将背景预测成了物体。
• 漏检框FN（False Negative）：本来需要检测出的物体，模型没有检测出。
• 正确背景TN（True Negative）：本身是背景，模型也没有检测出来。

通常使用mAP（mean Average Precision）评价一个模型的好坏。AP是一个类别的检测精度，mAP则是多个类别的平均精度。

召回率：

准确率：