机器学习是实现人工智能的一种方法：
深度学习使用更深层的数学函数解决问题，它属于机器学习的一种方法，类似一个水流系统：
他们的关系如下图所示：
以图像识别为例。我们人为地给机器写一段程序，然后像教学生一样地告诉机器，这张图片是猫，另一张图片是狗等等，机器“学习”完成以后，你再给他看一张新的图片，假设给它看一张它完全没见过的猫的图片，此时，我希望机器能回答出：“这是猫”，如果机器就是这么回答的，那么，我们可以认为机器已经学会了图像识别任务。
其实机器是在一个假设空间中寻找最优解的，哪一个函数能尽可能地拟合输入数据，那么机器就认为那个函数效果较好：
这里的假设空间是非常重要的，如果实际关系是非线性的（比如圆的周长与半径之间的关系C=πR2），却让机器使用“线性假设”去学习，最优结果只能找到一条与该非线性曲线最贴近的直线，而不能突破“直线关系”的表达范畴。
以刚刚的图像识别为例，看看机器的在线性回归问题上的“解题思路”。
机器学习（监督模型）遵照“假设空间+优化目标+寻解算法”的流程，从数据中学到知识并预测未来。
这就类似于“将大象装进冰箱需要几步？”：
图像识别做的是分类任务；
而目标检测中，不光要分类，还要把物体的位置给标注出来：
two-stage是目标检测算法的一种。主要通过一个完整的卷积神经网络来完成目标检测过程，所以会用到的是CNN特征，通过卷积神经网络提取对候选区域目标的特征的描述。典型的代表：R-CNN、fasterRCNN。如果不考虑two-stage方法需要单独训练RPN网络这一过程，可以简单的广义的理解为端到端的过程。但不是完全的端到端，因为训练的整个网络过程中需要两个步骤：
相对于传统的检测算法，two-stage不需要额外的训练分类器，特征表示的过程，整个目标检测的过程都通过一个完整的CNN完成。相对于传统的算法，准确度得到了非常大的提升，速度相对与onestage的方法慢一点，但精度高。
首先输入图片，然后对图片进行深度特征提取（经过卷积神经网络，称之为主干网络），然后通过RPN网络完成传统目标检测算法中滑动窗口所完成的任务（也就是产生候选区域）同时完成对候选框的分类（这个分类过程就将后选区分为背景和目标两个类别）并且RPN网络会对目标的位置进行初步的预测。
然后需要一个roi_pooling层将候选区域进行进一步的位置的精确的回归和修正。（实际上可以将roi_pooling层理解为“抠图”，对于多个featuremap想要不去重复的计算CNN特征，往往通过roi_pooling进行一个抠图的操作。）接下来得到候选目标对应到featuremap上它的那一段区域（特征）之后，会通过一个全连接层来进一步的对候选区域的特征进行表示。然后通过分类和回归的两个分支，来分别完成对候选目标类别的判断和位置的精修。（这里的类别不同于RPN网路的类别，这里通常会得到物体真实的类别）
one-stage检测算法，其不需要regionproposal阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度，比较典型的算法如YOLO，SSD，Retina-Net。
其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归，整个过程只需要一步，所以其优势是速度快，但是均匀的密集采样的一个重要缺点是训练比较困难，这主要是因为正样本与负样本（背景）极其不均衡，导致模型准确度稍低。
SSD采用VGG16作为基础模型，然后在VGG16的基础上新增了卷积层来获得更多的特征图以用于检测。SSD的网络结构如图所示：
SingleShotMultiBoxDetector(SSD)是一种单阶段的目标检测器。与两阶段的检测方法不同，单阶段目标检测并不进行区域推荐，而是直接从特征图回归出目标的边界框和分类概率。SSD运用了这种单阶段检测的思想，并且对其进行改进：在不同尺度的特征图上检测对应尺度的目标。如下图所示，SSD在六个尺度的特征图上进行了不同层级的预测。每个层级由两个3x3卷积分别对目标类别和边界框偏移进行回归。因此对于每个类别，SSD的六个层级一共会产生38x38x4+19x19x6+10x10x6+5x5x6+3x3x4+1x1x4=8732个检测结果。
目前主流的目标检测算法，包括多阶段的各种RCNN和单阶段的SSD、RetinaNet上都是基于Anchor来做的。Anchor的本质是候选框，在设计了不同尺度和比例的候选框后，DNN学习如何将这些候选框进行分类：是否包含object和包含什么类别的object，对于postive的anchor会学习如何将其回归到正确的位置。它扮演的角色和传统检测算法中的滑动窗口等机制比较类似。但是，这种设计思路有很多问题：
基于上述原因，很多人做出了改进，提出了AnchorFree的方法
CenterNet提出了一种简单和高效的方法：使用边界框的中心点表示物体。将图像输入到一个全卷积网络得到一个热图，这个热图的峰值对应于目标的中心点，峰值周围的图像特征用于预测边界框的高和宽。在推理阶段，CenterNet使用单个网络进行前向传播，无需NMS等后处理。
目标检测主要用于人脸检测，车辆检测，行人计数，自动驾驶，安全系统等
通俗的讲，YOLO-v4算法是在原有YOLO目标检测架构的基础上，采用了近些年CNN领域中最优秀的优化策略，从数据处理、主干网络、网络训练、激活函数、损失函数等各个方面都有着不同程度的优化，虽没有理论上的创新，但是会受到许许多多的工程师的欢迎，各种优化算法的尝试。
采用卷积神经的目标检测算法大致可以分为两个流派，一类是以R-CNN为代表的two-stage，另一类是以YOLO为代表的one-stage。
R-CNN系列的原理：通过ROI提取出大约2000个候选框，然后每个候选框通过一个独立的CNN通道进行预测输出。
R-CNN特点：准确度高，速度慢，所以速度成为它优化的主要方向。
YOLO系列的原理：将输入图片作为一个整体，通过CNN通道进行预测输出。
YOLO特点：速度快，准确度低，所以准确度成为它优化的主要方向。
经过一系列的优化与改进，特别是2020年4月份推出的YOLOV4，使得它在准确度方面得到了大幅度的提升，另外，它还能达到实时检测（在GPU加持的情况下）。
在输入上采用Mosaic实现数据增强：
Mosaic算法在输入图片集中随机选取4张图片进行随机缩放，随机裁剪，随机扭曲，然后将他们拼接起来，其目的就是丰富样本数据集。
YOLOV4的骨干网络采用CSPNet（CrossStagePartialNetwork）网络结构，它其实是在残差网络的基础上发展起来的。
一方面，用Concat代替Add，提取更丰富的特征。Concat操作后，特征图的尺寸不变，深度会增加，而Add操作后尺寸和深度都不改变，从这个意义上说，用Concat代替Add，就能够提取更丰富的特征。
另一方面，引入transitionlayer（1*1conv+2*2pooling），提取特征，降低计算量，提升速度。（举一个实例来说明，输入图片大小是56*56*256，要求得到输出大小是28*28*512，这里就有两种实现方式：一次卷积方式，它的卷积核参数个数是117万；另一种是二次卷积方式，引入了1*1卷积，它的卷积核参数个数是62万，相比于一次卷积方式，它的卷积核参数个数降低了一倍。）
还有一点是将Baselayer分为两部分进行融合，提取更丰富的特征。将Baselayer一分为二，一部分通过类似残差网络得到的输出与另一部分进行Concat操作，将操作后的结果通过TransitionLayer。
FPN（Featurepyramidnetworks）+PANet（PathAggregationNetwork）
它其实是在YOLOV3的基础上增加了一个自底向上的PANet结构，特征图的尺寸是通过下采样得到的，而下采样是通过卷积的方式实现的（改变滑动窗口的步长）。
用CIoULoss取代IouLoss
IoUloss中IoU交并比，两个框的交集/并集，有两个缺点：
1.无法反应两个的距离
例如状态1，两个框不相交，无论怎样移动两个框，IoU=0。
2.无法区分两者相交的情况
例如状态2和3，两个框相交的情况完全不一样，但是IoU相同。