Lil'Log（Lilian Weng 个人博客） · Lilian Weng
Object Detection for Dummies Part 2: CNN, DPM and Overfeat
Object Detection for Dummies Part 2: CNN, DPM and Overfeat是Lil'Log（Lilian Weng 个人博客）的免费文章（en）。前置条件：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。
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。
- 难度
- 见前置条件
- 类型
- 博客 · 文章
- 语言
- en
- 规模
- 9 个课节
- 内容费用
- 免费
- 动手
- 打开即可学习
使用限制
公开网页，无需账号即可阅读正文。
- 练习与作业
- 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。
学完你能
- 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
适合你吗
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。
暂不适合
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。
需要先会
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。
课程特点
- 内容侧重
- 按内容目录判断
- 练习与项目
- 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）。
- 学习时长
- 9 个课节原站未给出统一学习时长；实际用时取决于已有基础。
- 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。
内容覆盖
- CNN for Image Classification
- Convolution Operation
- AlexNet (Krizhevsky et al, 2012)
- VGG (Simonyan and Zisserman, 2014)
- ResNet (He et al., 2015)
- Evaluation Metrics: mAP
- Deformable Parts Model
- Overfeat
- Reference
常见问题
免费吗？
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。
需要什么基础？
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。
有中文吗？
本站记录的语言是en；是否有中文字幕或译本本站未核实，请以原站为准。
怎么开始？
从原始资源入口开始：https://lilianweng.github.io/posts/2017-12-15-object-recognition-part-2/。打开原文即可，无需安装软件。开课提示词尚未完整验证。练习与作业需要自备：开课提示词尚未实际运行验证。
来源与使用须知
- 收录时间
- 本站首次收录 2026-10-24
- 指南参考
- 课程主页
版权与转载
- 课程材料未标明许可：仅供个人学习，转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南，不转载、不镜像课程材料；引用时请注明原作者与出处。