机器学习基础概念

回归算法，就是让机器在多维空间中，找到一个连续的数学函数 $f(x)$，使得输入 $x$ 经过映射后，输出的 $y$ 能够无限逼近真实的世界数值。
在训练阶段，模型首先通过前向传播计算预测输出，并评估与真实标签之间的损失 (Loss)；随后，利用反向传播算法计算网络各层参数的梯度；最后，由优化器 (如 Adam 或 SGD) 根据梯度信息对网络权重进行参数更新，以此实现模型的不断迭代与收敛。

两阶段检测器

第一阶段：找候选区域
第二阶段：判断类别 + 修正框
先生成一批候选框，再对候选框进行分类和回归。

R-CNN

输入图像
→ Selective Search 生成约 2000 个候选区域 RoI
→ 把每个 RoI（Region of Interest，候选区域） 裁剪/拉伸成固定大小
→ 每个 RoI 单独送入 CNN 提特征
→ SVM 分类
→ bbox regression 修正框

Fast R-CNN：先整图卷积，再裁 RoI

输入图像
→ 整张图过 CNN，得到 feature map
→ 把 proposals（selective search来找） 映射到 feature map 上
→ 对每个 RoI 做 RoI Pooling（把不同大小的 RoI 特征变成固定大小）
→ 分类 + bbox regression

Faster R-CNN：让 CNN 自己生成 proposals

输入图像
→ backbone CNN 提取 feature map
→ RPN（Region Proposal Network，区域候选网络） 在 feature map 上生成 proposals
→ RoI Pooling / RoI Align（RoI Align 额外解决 RoI Pooling 的量化错位问题，彻底打通了特征图与原图之间的像素级精确映射，产生了Mask R-CNN）
→ 分类 + bbox regression
→ 最终检测结果

单阶段检测器

在特征图上密集预测 bbox + confidence + class，没有单独的 proposal 阶段。
单阶段检测器不是完全没有候选框，而是没有 Faster R-CNN 那种“先 RPN 生成 proposal，再 RoI Head 二次处理”的独立阶段。它直接在 feature map 上密集预测框、类别和置信度。
直接预测最终候选框、类别、置信度

YOLO：快

整张图一次前向传播，就直接输出检测结果。

SSD：适配不同尺度目标

SSD（Single Shot MultiBox Detector，单阶段检测器）
在多个尺度的 feature map 上直接预测目标
为什么要多个尺度？
因为：
浅层 feature map 分辨率高，适合小目标
深层 feature map 语义强，适合大目标

SSD 会在不同 feature map 上放 default boxes，也就是类似 anchor 的预设框，然后直接分类和回归。

SSD = 多尺度特征图 + default boxes + 单次预测。

RetinaNet：解决正负样本极度不平衡

RetinaNet 的关键是：Focal Loss
Focal Loss 的作用：降低简单负样本的权重，提高困难样本的学习权重

后处理与评价

NMS（Non-Maximum Suppression，非极大值抑制）

保留最可信的框，删除重复框。
框可能都围着同一只狗，只是位置略有不同。
问题是：
同一个目标被重复检测了很多次。
所以需要后处理，把重复框删掉。
这就是 NMS。

1. 按 score 从高到低排序
2. 取分数最高的框作为保留框
3. 删除和它 IoU 过高的其他框
4. 对剩余框重复以上过程

评价指标

假设真实图像里有 3 只狗，模型预测了 4 个框。
其中：
2 个框正确检测到狗
1 个框框到了背景，却说是狗
1 只真实狗没有被检测出来

那么：
TP = True Positive = 检测正确的目标
FP = False Positive = 误检，把背景或错误目标当成目标
FN = False Negative = 漏检，真实目标没检测出来