前言：一開始我沒找到思路類似的算法，以為我這樣的算法是個創(chuàng)新，但轉(zhuǎn)念一下，md，這種的算法的思想非常自然，不應(yīng)該找不到資料啊，后來就找到了overfeat，只能說是我見識短淺了或者說yolo太火了？

最近在學(xué)習(xí)目標(biāo)檢測算法，目前最熱門的目標(biāo)檢測算法應(yīng)該是yolo系列的算法，比較早的目標(biāo)檢測算法有滑窗法、rcnn之類的，其中的滑窗法吸引了我的注意力，它劃過圖像的每一個角落

同時，我還注意到了特征點(diǎn)檢測

如果我們有一個帶有特征點(diǎn)檢測的圖像定位卷積網(wǎng)絡(luò)，然后直接輸入大圖，這樣的話，輸出數(shù)據(jù)的形狀就會像是yolov1的數(shù)據(jù)形狀。

如果不看訓(xùn)練過程，光從外觀上來看，似乎不好區(qū)分這種方法與yolo方法。

訓(xùn)練方法：首先我們需要搭一個有平移不變性的網(wǎng)絡(luò)，比如Darknet19，然后我們找很多分類物體處于中間的圖像，并標(biāo)注上預(yù)測框的寬和高（我個人認(rèn)為寬和高與物體位置無關(guān)，所以可以在這里訓(xùn)練），然后開始訓(xùn)練。

訓(xùn)練完成后，我們把最后一層平均池化拆掉(因為在平均池化的過程中會丟失掉物體位置信息，這是我猜的)，然后我們在最后一層卷積層添加上兩個特征數(shù)據(jù)，也就是中心點(diǎn)的位置，都再添加一個和原來平均池化大小一樣的卷積層，然后繼續(xù)訓(xùn)練。

由于這種算法還沒實(shí)踐過，所以目前還缺乏數(shù)據(jù)。

實(shí)際上，如果我們能畫出卷積神經(jīng)網(wǎng)絡(luò)計算出來的所有特征圖，也就是畫出卷積神經(jīng)網(wǎng)絡(luò)的注意力所在的位置區(qū)域，然后再通過這個簡單的色塊識別算法，也能給出這個框的位置，當(dāng)然，這種方法可能有些不可控，但是如果真的訓(xùn)練出了一個“和預(yù)想的一樣”的網(wǎng)絡(luò)，那我們可以得到一個有特定功能的濾波器。

關(guān)于機(jī)器學(xué)習(xí)的方法，不能只想著搭模型、找數(shù)據(jù)、訓(xùn)練模型就能直接解決問題