1、目标定位：（以定位汽车为例）
将图像分类：行人、汽车、摩托车、纯背景图，使用softmax函数输出结果. 输出的结果不仅仅是分类，还有四个标记：bx、by、bh、bw. 这四个数据为被检测对象的边界框的参数.
左上角坐标(0,0)，右下角坐标(1,1).
输出结果的表示形式：
2、特征点检测：
（1）以人脸特征提取为例：
对于人脸的多个特征点，比如4个眼角、鼻子周围关键点等，假设选取64个特征点，设置为 (l1x,l1y)、(l2x,l2y)、....、(l64x,l64y).
准备一个卷积网络，将人脸图片输入卷积网络，输入0/1判断是否含有人脸，然后再输出128个特征参数，最终输出129个参数.
（2）以姿态检测为例：
定义一些关键特征点，如胸部的中点、左右肩、左右肘等，来识别人物的姿态动作.
3、目标检测：（以汽车识别为例）
（1）问题描述：
由于训练集都是整张照片为汽车，且待识别照片可能含有多辆汽车，因此需要对待识别的照片应用滑动窗口，使得汽车所占图片区域较大.
使用滑动窗口，并逐渐扩大窗口的大小：
但使用滑动窗口的缺陷是：窗口截取的图片数量太多，计算成本太高.
（2）卷积的滑动窗口实现：为了解决上述计算成本的问题.
① 将全连接层转换成卷积层：假设训练集是14*14*3.
② 应用至测试集：
若测试集是16*16*3.
结果集的四个小块，每一小块都可以看成是一个窗口得出的结果.
若测试集是28*28*3.
（3）边界框预测：
可能出现所有边界框都无法完整框处汽车的情况，如下图.
使用YOLO算法：
① 将图像分为若干格，比如3*3；
② 结合目标定位算法，找到对象的中心点，对象分配给中心点所在格子，找出汽车所在的边界，每一格输出的结果：y = [pc, bx, by, bh, bw, c1, c2, c3]T.（其中bh，bw可以超过边界）
③ 输出的结果：3*3*8（3*3是格子划分，8是每一个格子的结果都是8维）.
（4）交并比（IoU）：
用于判断对象检测算法运作是否良好，计算方法为：
（下图红色为正确的边界框，紫色为识别的边界框）
IoU = size of Intersection / size of Union
"correct" if IoU ≥ 0.5 (或者其它阈值)
（5）Non-max suppression（非极大值抑制）：
解决的问题：在对象检测时，可能会对同一个对象检测多次，非极大值抑制可以确保算法对同一个对象检测一次.
当使用19*19的划分方式时，可能有多个格子包含了同一辆车，可能的识别结果如下图：
首先分析概率pc最大的边界框，即最可靠的检测，即下图黄色框，对于与其有较高交并比的边界框就会被抑制.
（6）Anchor boxes：
解决的问题：在同一个格子中识别多个对象.
当同一个格子中出现了多个对象的中点，如下图，第同一个格子中出现了人和车的中点：
选择Anchor box：一般通过手动设置5-10个anchor box形状，覆盖所需要检测的对象形状.
每一个对象都被指定到一个格子和一个与对象形状IoU最高的anchor box.
输出的结果格式：
（7） YOLO算法：
在以下用例中，使用了2个Anchor box：
其中第1格的y：
；其中第8格的y：
分别对不同对象使用极大值抑制，挑选出pc较大的边界框.
4、R-CNN（Regions with convolutional network 带区域的卷积网络）：
当采用滑动窗口时，由于图片中有些区域是空的，窗口中并没有行人、汽车、摩托车等所需识别的对象，如下图：
RPN只选用少数的窗口上运行卷积网络分类器，采用的方法是图像分割方法，分割结果如下图. 对不同的色块运行分类器.
改进：
Fast R-CNN：图像分割后，再使用滑动窗口和卷积进行分类.
Faster R-CNN： 使用卷积神经网络获得候选块.
（但这些方法通常比YOLO算法慢）