〇、目标检测
1、定义：既包括回归问题（外接框顶点坐标回归也包括分类问题（识别每个检测框中的物体种类）
在深度学习中，目标检测就是在图像中自动生成确定物体/目标位置（定位目标），
及物体类别（目标识别）目标的位置的表示方法，
通常是目标的外边界的矩形框（或其他形式的框）的各项顶点。
2、基于深度学习的目标检测算法归类
1）第一类：两阶段方法
Ⅰ：先想办法产生候选区域建议框
Ⅱ：在对建议框进行判别遴选&分类
举例：R-CNN系列，含R-CNN、Faster R-CNN、Mask R-CNN、Cascade R-CNN等方法；
2）第二类：单阶段方法
典型代表是YOLO系列算法、SSD算法、Anchor-free等方法。
一、R-CNN算法
1、主要思想
1）区域建议框：由传统方法离线生成（SS），这是输入数据的来源
2）目标分类：检测框（区域建议框）内的物体识别问题，使用VGG、ResNet等卷积神经网络分类，
将每个建议框中物体图像及类别（含背景类），resize到统一尺寸，送入CNN中训练分类模型
二、Faster R-CNN算法
1、主要思想
不同于R-CNN，本算法只提取一次卷积特征（整图对应的完整卷积特征）
2、简述
1）输入整幅图进行卷积，将区域建议框等比例投影到卷积后得到完整卷积特征feature map中
2）区域建议框：仍由传统方法离线生成
3）过程：对于每个标注的区域建议框，等比例投影到CNN卷积后得到的完整feature map中，得到子特征图，
对子特征图进行ROI Pooling得到恒大的特征图RP，将RP及区域建议框对应的坐标和物体类别送入CNN中进行回归和分类训练。
4）整体介绍
5）神经网络结构
6）数据准备
7）锚框设置
8）偏移量学习设置
9）主要损失函数
10）RPN阶段
3、GT目标列向量
GT目标列向量（提前算出）：有真实的标注，将原图卷积池化后，将原先的标注等比例缩放映射到操作后的图（或原图，此时不用等比缩放），得到标注框。
之后划分块，在每一个块的中心发散出来9种锚框，锚框与标注框是有差别的，故可以算出具体的差异，或是否有交集，一般用比例。
eg：14*14个图像块，每一个块的中心，由此中心衍生出来的九种锚框与标注框进行交集，算比例，大于时为10，无交集的直接置为01，其他数值随即设置。
