add toc for object detection

Author: loveunk

deep-learning/4.convolutional-neural-network-3.object-detection.md

@@ -1,6 +1,23 @@
 # 卷积神经网络
 
 ## 目标检测
+<!-- TOC -->
+
+- [卷积神经网络](#卷积神经网络)
+    - [目标检测](#目标检测)
+        - [3.1 目标定位](#31-目标定位)
+        - [3.2 特征点检测](#32-特征点检测)
+        - [3.3 目标检测](#33-目标检测)
+        - [3.4 滑动窗口的卷积实现](#34-滑动窗口的卷积实现)
+        - [3.5 Bounding Box预测](#35-bounding-box预测)
+        - [3.6  IoU-交并比](#36--iou-交并比)
+        - [3.7 非极大值抑制](#37-非极大值抑制)
+        - [3.8 Anchor Boxes](#38-anchor-boxes)
+        - [3.9 YOLO 算法](#39-yolo-算法)
+        - [3.10 候选区域](#310-候选区域)
+    - [参考文献](#参考文献)
+
+<!-- /TOC -->
 
 ### 3.1 目标定位
 
@@ -526,7 +543,7 @@
 
 最后，如果你有三个对象检测类别，你希望检测行人，汽车和摩托车，那么你要做的是，对于每个类别单独运行非极大值抑制，处理预测结果所属类别的边界框，用非极大值抑制来处理行人类别，用非极大值抑制处理车子类别，然后对摩托车类别进行非极大值抑制，运行三次来得到最终的预测结果。所以算法的输出最好能够检测出图像里所有的车子，还有所有的行人（编号3所示）。
 
-这就是YOLO对象检测算法，这实际上是最有效的对象检测算法之一，包含了整个计算机视觉对象检测领域文献中很多最精妙的思路。你可以在这一章的编程作业中尝试现实这个算法，所以我希望你喜欢这一章的编程练习，这里还有一个可选的章节，我们下一章见。
+这就是YOLO对象检测算法，这实际上是最有效的目标检测算法之一，包含了整个计算机视觉对象检测领域文献中很多最精妙的思路。你可以在这一章的编程作业中尝试现实这个算法，所以我希望你喜欢这一章的编程练习，这里还有一个可选的章节，我们下一章见。
 
 ### 3.10 候选区域