一、深度学习的经典算法
- two-stage（两阶段）：RCNN
- one-stage（一阶段）：YOLO，SSD（这个好像很牛）
one-stage： 将图片输入到CNN里，经过特征提取，输出4个值，得到框的x1,y1,x2,y2，即为一个回归任务。即一个CNN网络提取特征做一个回归任务，中间不需要加任何的额外的补充。
two-stage： 多加了一个网络，叫做区域建议网络RPN，多了一些预选框，先经过预选，再得到最终结果。结果会更好一点。
优缺点：
- one-stage:
- 速度快，适合做实时检测任务（视频）
- 效果不太好
- 明确任务：速度快，要做视频检测任务
- 自己选择特征提取网络，简单复杂自己决定
- two-stage:
- 速度慢，5FPS
- 效果好
目标检测的衡量指标：
- FPS：快OR慢
- mAP：衡量指标，越大越好，越接近1越好
二、目标检测用的衡量指标
YOLO系列一直在改进，改进有两个点：
- MAP值更高
- 速度更快
MAP值
map指标：综合衡量检测效果，单看精度和recall不行。
IOU：是Ground truth真实值和Prediction预测值交集和并集的一个比值。越高越好，代表越重合
精度：希望真实值和预测值越吻合越好。
recall：希望把真实值都检测到了。
精度和召回率
在目标检测中，精度和召回率代表什么？
- 精度：希望预测的框和真实的框越接近越好
- 召回率：希望没检测到的框越少越好（漏检）
- 置信度：在预测时，会有很多重叠的框，每个框上都有一个值。需要指定一个阈值，低于阈值的框会被舍弃掉。
- 设置阈值为0.9
设置阈值为0.9，计算下面三张图的Precision和recall。
0.9的时候，只有第一张图预测的框保留下来了，TP为真正类（是人脸，并且检测到了），即为1；FP为假正类（预测错了，错误的把背景判断成人脸了），为0；FN为假负类（预测错了，把人脸预测成背景了，漏检了！），为2。
Precision=1/1
Recall=1/3
- 然后计算每个阈值的精度和召回率，比如计算0-1之间的的P和R
- 构建一个P-R图，横轴为召回率，纵轴为精度
- 把所有的阈值都考虑进来，MAP值即为，将这张图画出来，下方所围成的这张图的面积，取最大值下方的面积。面积代表MAP值是多少，希望MAP值越大越好，越接近1越好。
