深度学习经典检测算法
two-stage (两阶段) : Faster-rcnn Mask-Rcnn系列 （输入图像---》CNN特征---》预选框---》输出结果）
one-stage (单阶段): YOLO系列 （输入图像---》CNN特征---》输出结果）
one-stage的特点：（1）最核心的优势：速度非常快，适合做实时检测任务（2）缺点：效果通常情况不会太好
two-stage的特点：（1）速度通常慢（5FPS），但是效果通常是不错的（2）非常实用的通用框架Mask-Rcnn
yolo系列：指标分析： （1）map指标：综合衡量检测效果；但看精度和recall不行的，因为这两个有点相斥
（2）IOU ：真实值和预测值之间的关系。预测值和真实值。IOU就是交集和并集之间的指标
MAP值
首先算精度：Precision 和召回率 Recall
Precision =TP/(TP+FP)
Recall=TP/(TP+FN)
TP:True Positives 正类判定为正类
FP:False Positives 负类判定为正类，存伪
FN:False negatives 正类判定为负类，“去真”
TN:true negatives 负类判定为负类
例子：
已知条件：班级总人数为100人，其中男生80人，女生20人
目标：找出所有的女生
结果：从班级中选择50人，其中20人是女生，还错误的把30名男生挑选出来了
TP=20，FP=30；FN=0;TN=50
基于置信度阈值来计算Precision 和召回率
MAP就是所有类别的平均
yolo-v1 把检测问题转换为回归问题，一个CNN就搞定了。可以对视频进行实时检测
MAP值和FPS。yolo系列从16年开始，并开始火了
NMS（非极大值抑制）
损失函数
堆叠小的卷积核所需的参数更少一些，并且卷积过程越多，特征提取也会越细，加入的非线性变换也随着增多，还不会增大权重参数个数，这就是VGG网络的基本出发点，用小的卷积核来完成体特征提取操作。
