1、遷移學習

遷移學習也即所謂的有監督預訓練(Supervised pre-training)，我們通常把它稱之為遷移學習。比如你已經有一大堆標註好的人臉年齡分類的圖片資料，訓練了一個CNN，用於人臉的年齡識別。然後當你遇到新的專案任務是：人臉性別識別，那麼這個時候你可以利用已經訓練好的年齡識別CNN模型，去掉最後一層，然後其它的網路層引數就直接複製過來，繼續進行訓練。這就是所謂的遷移學習，說的簡單一點就是把一個任務訓練好的引數，拿到另外一個任務，作為神經網路的初始引數值,這樣相比於你直接採用隨機初始化的方法，精度可以有很大的提高。

圖片分類標註好的訓練資料非常多，但是物體檢測的標註資料卻很少，如何用少量的標註資料，訓練高質量的模型，比如我們先對imagenet圖片資料集先進行網路的圖片分類訓練。這個資料庫有大量的標註資料。

2、IOU(交併比)

物體檢測需要定位出物體的bounding box，就像上面的圖片一樣，我們不僅要定位出車輛的bounding box 我們還要識別出bounding box 裡面的物體就是車輛。對於bounding box的定位精度，有一個很重要的概念，因為我們演算法不可能百分百跟人工標註的資料完全匹配，因此就存在一個定位精度評價公式：IOU。
IOU表示了bounding box 與 ground truth 的重疊度，如下圖所示：

矩形框A、B的一個重合度IOU計算公式為：

IOU=(A∩B)/(A∪B)

就是矩形框A、B的重疊面積佔A、B並集的面積比例:

IOU=SI/(SA+SB-SI)
 

3、NMS

NMS也即非極大值抑制。在最近幾年常見的物體檢測演算法（包括rcnn、sppnet、fast-rcnn、faster-rcnn等）中，最終都會從一張圖片中找出很多個可能是物體的矩形框，然後為每個矩形框為做類別分類概率：

就像上面的圖片一樣，定位一個車輛，最後演算法就找出了一堆的方框，我們需要判別哪些矩形框是沒用的。
所謂非極大值抑制：先假設有6個矩形框，根據分類器類別分類概率做排序，從小到大分別屬於車輛的概率分別為A、B、C、D、E、F。

(1)從最大概率矩形框F開始，分別判斷A~E與F的重疊度IOU是否大於某個設定的閾值;

(2)假設B、D與F的重疊度超過閾值，那麼就扔掉B、D；並標記第一個矩形框F，是我們保留下來的。

(3)從剩下的矩形框A、C、E中，選擇概率最大的E，然後判斷E與A、C的重疊度，重疊度大於一定的閾值，那麼就扔掉；並標記E是我們保留下來的第二個矩形框。

就這樣一直重複，找到所有被保留下來的矩形框。