目标定位
今天我们来学习的内容是对象检测，它是计算机视觉领域中一个新兴的应用方向，在构建对象检测之前，我们需要先了解对象定位。
通过输出四个参数值bx by bh bw，给出图片中对象的边界框。概括的说，神经网络可以通过输出图片上特征点的(x,y)坐标来实现对目标特征的识别
卷积的滑动窗口实现
为了构建滑动窗口的卷积应用，首先要知道如何把神经网络的全连接层转化成卷积层。
假设对象检测算法输入一个14*14*3的图像，有16个大小为5*5的过滤器 ，图像在过滤器处理之后映射为10*10*16,然后通过参数为2*2的最大池化操作，图像减小到5*5*16，然后添加一个连接400个单元的全连接层，接着再添加一个全连接层，最终通过softmax单元输出Y
然后我们所做的就是如何把这些全连接层转化的卷积层。
前面三层都是一样，后面的话，我们不再把它看作一个含有400个节点的集合，而是一个1*1*400的输出层，我们再添加另外一个卷积层，这里用的是1*1卷积，假设有400个过滤器，在它们的作用下，下一层维度就是1*1*400，最后经由1*1过滤器的处理，得到一个softmax激活值 。
下面我们再看一下如何通过卷积实现滑动窗口对象检测算法
假设向滑动窗口卷积网络输入14*14*3的图片，图的话是与上面的例子一样的，然后测试集图片是16*16*3，在最初的滑动窗口算法中你会把这片蓝色区域输入卷积网络生成0或1分类，接着滑动窗口，步幅为2个像素。
然后使用过滤器进行卷积操作，得到输出层，然后执行最大池化，输出结果6*6*16,应用400个5*5的过滤器，得到一个2*2*400的输出层，应用1*1过滤器得到另一个2*2*400的输出层，再一次进行全连接操作，最终得到一个输出层。
该卷积操作的原理是，我们不需要把输入图片分割成四个子集分别执行向前传播，而是把它们作为一张图片输入给卷积网络进行计算
