# Object Detection for Dummies Part 2: CNN, DPM and Overfeat

- 发布方：Lil'Log（Lilian Weng 个人博客）；作者：Lilian Weng
- 形式：文章 · en
- 原始资源：[https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/](<https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/>)
- 本站页面：[https://oplearnx.com/resources/res\_ez9mhfpca5nf](<https://oplearnx.com/resources/res_ez9mhfpca5nf>)
- 学习主题：人工智能 / 机器学习 / 计算机视觉 / 目标检测；人工智能 / 机器学习 / 计算机视觉 / 图像分类；人工智能 / 机器学习 / 计算机视觉
- 内容状态：状态待核验
- 原始发布时间：未知（待核验）
- 本站首次收录：2026-10-24 10:54

## 能学到什么

读懂目标检测发展史上的 CNN 分类骨干、mAP 评测口径，以及 DPM、Overfeat 两类早期检测模型的构造思路。

- 说明二维卷积核在输入特征图上的滑窗运算，以及 padding、stride 如何决定输出尺寸
- 概括 AlexNet、VGG、ResNet 的结构特点与设计动机（含残差块对深层网络可训练性的作用）
- 解释目标检测中 mAP 的计算流程：逐类 PR 曲线与 AP、按 IoU 阈值判定真阳性
- 描述 DPM 的根滤波器、部件滤波器与空间打分模型，并写出其匹配打分公式的含义
- 说明 Overfeat 如何用一个卷积网络同时完成分类、定位与检测，以及分类器与回归器的训练配合
- 说出 DPM 如何被展开映射为等价 CNN 结构的基本主张

## 适合我吗

- 适合：想系统补齐目标检测经典方法（CNN 骨干、mAP、DPM、Overfeat）概念与公式的计算机视觉学习者。
- 需要留意：想直接动手写检测代码或训练模型的人；本文以概念讲解与图示为主，节选内未见配套代码或实验。

## 前置条件与费用

- 知识前置：需要基本的深度学习与卷积神经网络概念，并了解目标检测的基本任务设定；系列 Part 1 介绍了梯度向量、HOG、图像分割与 Selective Search。
- 软件、账号与硬件：只需浏览器阅读，无需安装环境。
- 内容费用：免费：节选内可直接读到全文正文与图表，页面未出现付费墙或登录拦截。
- 实践费用：实践无额外费用：本文为阅读型文章，节选未涉及需要付费云服务、API 或 GPU 的练习。
- 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。

## 准备工具

- 浏览器：阅读文章与查看插图、公式

## 学习指南

开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。

### 开课提示词

```text
请帮我把「Object Detection for Dummies Part 2: CNN, DPM and Overfeat」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/
我的系统：Windows。如果实际不符，先调整方案。
本次路线：浏览器或在线环境。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：文章以概念与公式讲解为主，节选未见代码或练习；可按 mAP 定义对一个小型检测结果列表手算 AP 作为自测（自定练习，非原文提供）。
课节（官方顺序）：
1. CNN for Image Classification（节）：https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/
2. Convolution Operation：https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/
3. AlexNet (Krizhevsky et al, 2012)：https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/
4. VGG (Simonyan and Zisserman, 2014)：https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/
5. ResNet (He et al., 2015)：https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/
6. Evaluation Metrics: mAP：https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/
7. Deformable Parts Model：https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/
8. Overfeat：https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/
9. Reference：https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/

1. 环境
- 浏览器
- 可选：能渲染数学公式的阅读环境（页面含 LaTeX 公式）
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/
3. 目录（最外层放在我确认的位置）
object-detection-for-dummies-part2/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.md     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-01-cnn-for-image-classification/
    ├── 02-02-convolution-operation/
    ├── 03-03-alexnet-krizhevsky-et-al-2012/
    ├── 04-04-vgg-simonyan-and-zisserman-2014/
    ├── 05-05-resnet-he-et-al-2015/
    ├── 06-06-evaluation-metrics-map/
    ├── 07-07-deformable-parts-model/
    ├── 08-08-overfeat/
    └── 09-09-reference/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.md，逐项检查并记录“通过/未通过”：
- 按浏览器或在线 notebook 清单检查，不为自检安装本机终端。
  - 打开 https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/  → 页面标题为 “Object Detection for Dummies Part 2: CNN, DPM and Overfeat”，日期为 December 15, 2017
  - 查看页面目录区  → 找到 Evaluation Metrics: mAP 与 Deformable Parts Model 两个小节入口
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 每课提示词

```text
继续学习「Object Detection for Dummies Part 2: CNN, DPM and Overfeat」。课程目录是 object-detection-for-dummies-part2/（不知道完整路径就先问我）。
1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。
2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。
3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。
4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。
5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
```

### 课节（官方顺序）

1. [CNN for Image Classification（节）](<https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/>)
2. [Convolution Operation](<https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/>)
3. [AlexNet \(Krizhevsky et al, 2012\)](<https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/>)
4. [VGG \(Simonyan and Zisserman, 2014\)](<https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/>)
5. [ResNet \(He et al., 2015\)](<https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/>)
6. [Evaluation Metrics: mAP](<https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/>)
7. [Deformable Parts Model](<https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/>)
8. [Overfeat](<https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/>)
9. [Reference](<https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/>)

## 指南参考

- [课程主页](<https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/>)

## 来源、许可与验证记录

- **开课提示词未完整验证，需要自备账号或资源**：开课提示词尚未实际运行验证
- **内容提示**：内容时效：网页标注本文发布于 2017 年 12 月 15 日，内容止于 Overfeat、DPM 等 2012–2015 年的早期目标检测模型，R-CNN 及后续模型见系列 Part 3。
- 转载与修改 · 课程页面与材料：未找到明确许可。网页正文与节选未写出具体许可名称，仅提供引用格式（@article\{weng2017detection2\}） [依据](<https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/>)
- 链接检查：1/1 个可以访问

## 来源与推荐

- 编辑整理收录

---
来源：LearnMap · 学径（https://oplearnx.com）