数据扩充

垂直镜像对称(mirroring on the vertical axis)

随机裁剪(Random Cropping)

色彩转换

目标定位(Object Localization)

图片分类：算法遍历判断其中的对象是不是汽车。
定位分类：不仅需要判断出物体，还需要在图片中标记出它的位置。

图片分类问题：输入一张图片到多层卷积神经网络后输出一个特征向量，并反馈给$softmax$单元来预测图片类型(例如：汽车、人、背景等)。
定位分类问题：则要在此基础上输出一个边界框，其信息为$b_x$、$b_y$(边框中心点坐标)、$b_h$(边框高度)、$b_w$(边框宽度)。

特征点检测

批量添加输出单元，用以输出要识别的各个特征点的(X,Y)坐标值

目标检测

基于滑动窗口的目标检测算法
首先创建一个标签训练集(X,Y)，然后将其输入到卷积神经网络中，输出0(无汽车)或1(有汽车)，训练完这个卷积网络后，利用滑动窗口来目标检测，思路如下：以固定步幅度滑动窗口，遍历图像的每个区域，把这些剪切后的小图像输入卷积网络，对每个位置按0或1进行分类。

卷积的滑动窗口实现
将全连接层转换为卷积层，转换的卷积层=滑动窗口 + 全连接的作用，一次性所有滑动窗口进行计算得出输出结果。

Bounding Box预测

YOLO(you only look once)：你只看一次。
对于训练集图像中的每个对象，根据对象中点位置来分配到对应的格子中。
IoU衡量两个边界框重叠的相对大小。

非极大抑制

在对物体检查时，一个物体对应很多方格时，会对物体输出许多预测框。此时选取那个有效的框就显得很关键了。首先选择概率预测最大的框，非极大抑制就会审视剩下的矩形框，最大的边界框分别于周围的框有高度重叠的就舍去。只输出概率最大的框。

Anchor Boxes

锚框是为了处理两个对象出现在同一个格子的情况，选取与锚框交并比高的边界框，能够较好的输出预测框。

候选区域

R-CNN算法：带区域的卷积网络。
Fast R-CNN算法：采用滑动窗口进行卷积计算。
在少数窗口上运行卷积网络分类器，选出候选区域的方法是运行图像分割算法，分割算法中得到相应的色块，并在其色块上放置边界框后跑分类器。