滑動視窗偵測

假設你有一個是/否分類器，對一張固定大小的裁切圖能回答「這是不是一張臉？」偵測問的是更難的問題：整張照片裡的臉在哪裡、有多大？滑動視窗（sliding window）範式把偵測轉化為許多次分類呼叫：你取一個固定大小的視窗，在影像的每個位置滑動，並在每個位置對裁切出的區塊執行分類器。為了找出不同大小的物件，你在多個尺度上重複整個掃描——通常是把影像一步步縮小成影像金字塔——如此單一固定大小的視窗就能同時抓到近處與遠處的物件。

精確地說，偵測器在金字塔的每一層走訪一格一格的位置（常常每隔幾個像素，稱為步幅 stride），從每個視窗擷取特徵、給分，並保留分數超過門檻的視窗。由於真正的物件通常會觸發數個彼此重疊的視窗，會有一個稱為非極大值抑制（non-maximum suppression, NMS）的清理步驟，在每一群中保留分數最高的框，捨棄其鄰近框。這是深度學習之前主導的偵測作法，而工程上的挑戰在於速度：一張百萬像素的影像配上數個尺度與較小步幅，會產生數十萬到數百萬個視窗，因此每個視窗的分類器必須極度便宜，或被積極地提前中止。

這種成本壓力形塑了最著名的傳統偵測器。Viola–Jones 人臉偵測器使用提升式級聯（boosted cascade），使絕大多數背景視窗只經過幾個便宜測試就被拒絕。HOG 加線性 SVM（Dalal 與 Triggs）讓每個視窗的分數變成單一次內積。可變形部件模型則以可移動的部件擴充滑動視窗。現代深度偵測器與其說拋棄這個想法，不如說把它折進卷積之中：一個全卷積網路實際上在一次共享的前向傳遞中，對每個空間位置都評估一次分類器（滑動視窗變成了感受野），而以錨框為基礎的偵測器（如 Faster R-CNN、SSD、YOLO）或以查詢為基礎的偵測器（如 DETR），則以學習得來、效率高得多的機制，取代了明確的金字塔與步幅迴圈。