一种简单的目标检测算法（类overfeat?）（类yolo?）

前言：一开始我没找到思路类似的算法，以为我这样的算法是个创新，但转念一下，md，这种的算法的思想非常自然，不应该找不到资料啊，后来就找到了overfeat，只能说是我见识短浅了或者说yolo太火了？

最近在学习目标检测算法，目前最热门的目标检测算法应该是yolo系列的算法，比较早的目标检测算法有滑窗法、rcnn之类的，其中的滑窗法吸引了我的注意力，它划过图像的每一个角落

同时，我还注意到了特征点检测

如果我们有一个带有特征点检测的图像定位卷积网络，然后直接输入大图，这样的话，输出数据的形状就会像是yolov1的数据形状。

如果不看训练过程，光从外观上来看，似乎不好区分这种方法与yolo方法。

训练方法：首先我们需要搭一个有平移不变性的网络，比如Darknet19，然后我们找很多分类物体处于中间的图像，并标注上预测框的宽和高（我个人认为宽和高与物体位置无关，所以可以在这里训练），然后开始训练。

训练完成后，我们把最后一层平均池化拆掉(因为在平均池化的过程中会丢失掉物体位置信息，这是我猜的)，然后我们在最后一层卷积层添加上两个特征数据，也就是中心点的位置，都再添加一个和原来平均池化大小一样的卷积层，然后继续训练。

由于这种算法还没实践过，所以目前还缺乏数据。

实际上，如果我们能画出卷积神经网络计算出来的所有特征图，也就是画出卷积神经网络的注意力所在的位置区域，然后再通过这个简单的色块识别算法，也能给出这个框的位置，当然，这种方法可能有些不可控，但是如果真的训练出了一个“和预想的一样”的网络，那我们可以得到一个有特定功能的滤波器。

关于机器学习的方法，不能只想着搭模型、找数据、训练模型就能直接解决问题