要训练一个目标检测网络，必然需要准备数据集的标签。每个目标的标签向量如下所示。 y = [ p c b x b y b h b w c 1 c 2 c 3 ] (1) y =\begin{bmatrix} pc \\ bx \\ by \\ bh \\ bw \\ c1 \\ c2 \\ c3 \\ \end{bmatrix} \tag{1} y=⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎡pcbxbybhbwc1c2c3⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎤(1)
其中pc表示是否存在目标(1:存在；0:反之)。bx，by表示目标中心点坐标，bw，bh表示目标宽高。c1,c2,c3表示是否属于对应类别。
L ( y ^ , y ) = ( y 1 ^ , y 1 ) 2 + ( y 2 ^ , y 2 ) 2 + . . . + ( y 4 ^ , y 4 ) 2 + . . . + ( y 8 ^ , y 8 ) 2 L(\hat{y}, y) = (\hat{y_1}, y_1)^2 + (\hat{y_2}, y_2)^2 + ... + (\hat{y_4}, y_4)^2 + ... + (\hat{y_8}, y_8)^2 L(y^,y)=(y1^,y1)2+(y2^,y2)2+...+(y4^,y4)2+...+(y8^,y8)2 y1即pc，可以使用逻辑回归计算损失
y2~y4，坐标bx, by, bh, bw的损失，可以使用平方差
y5~y8，每个类别损失，可以转换softmax
y = [ p c l 1 x l 1 y l 2 x l 2 y . . . l n x l n y ] (1) y =\begin{bmatrix} pc \\ l_1x \\ l_1y \\ l_2x \\ l_2y \\ ... \\ l_nx \\ l_ny \\ \end{bmatrix} \tag{1} y=⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎡pcl1xl1yl2xl2y...lnxlny⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎤(1) 人脸landmark为例，即是64个特征点,共有64*2+1=129维。
通过不同大小的window，滑动遍历整幅图片，每次滑动都将窗口内区域内送入网络中，预测是否存在目标(0/1)。
第一层FC层，使用5516的卷积，最终可以得到11400的特征图（此处卷积实际为 40055*16)
如上图，假设，输入的图片是16 * 16的3通道RGB图片，采用的滑动窗口是14 * 14，步长为2。也就是从图片中抠出了4个14 * 14的区域，分别送入到网络中，经过5 * 5的卷积核最终得到12 * 12的特征图，逐层运算，最终得到是一个2 * 2 * 4的特征向量。分别对应了四个滑动窗口的预测结果，也就实现了滑动窗口检测效果。
这种卷积的方式，相当于一次对所有的窗口划分区域继进性预测，如果将每块区域分别输入到网络中进性预测，计算次数增加，而且会有很多重叠区域的计算是重复的。所以能在很大程度上提升算法的效率。 但是，其预测的物体边界，也就是bounding-box不会很精确。
Bounding box代表性算法就是YOLO（you only look once）。 和滑动窗口的方式不同，YOLO将图片分为3*3，9个网格区域，只有物体的中点所在的网格区域，才认为是有效的。如上图只有绿色和黄色的区域是有效的，其标签则如图右侧对应所示。
对每个网格应用卷积方式实现的目标定位和检测算法，最终得到输出是3 * 3 * 8的向量，即每个网格，都得到一个8维的预测结果（实际应用中可能使用19 * 19，更为精细）。
实际上，和滑动窗口一样，并不是每个区域都输入到网络中进行多次计算的，而是将整幅图像喂到卷积网络中，一次计算得到每个区域的结果，所以叫You only look once。
在YOLO中，bounding box位置信息的编码方式是以物体所在区域左上角为原点(0, 0)，右下角为(1, 1)。
以上图中右侧汽车为例，bounding box（bx, by, bh, bw）： (0.4, 0. 3, 0.9, 0.5)，即中心点位置，以及宽高在所在区域的位置比例。
其中bh，bw可能大于1，也就意味着该物体超出了所在的ROI区域。
上述YOLO的只能解决一个区域只包含一个目标的情况，为了解决一个区域内包含多个目标的情况，提出了Anchor Box算法。即根据数据集中所有目标尺寸的大小，预先定义好一系列大小不同的anchor box。可以人工选取，或者使用K-Means对所有的目标框进行聚类，得到K类不同尺寸的Anchor box。一般取5~10个。 假设只选取两类Anchor box，跟别对应于高瘦的人Anchor box1，和矮胖的车Anchor box2。此时每个目标除了需要分配一个中点所在的网格区域外，还需要一个IOU最大的Anchor box。此时网络的输出就是2 * 8维（n个anchor box则结果就是n*8维）。如图中中下区域，可以得到右侧中间列所示结果。如果某个网格只有一个目标，且该目标和anchor box2的IOU最大，则得到最后一列的结果。
