YOLO吴恩达（0706）

1.classification with localization(定位分类）
图像识别只是可以将图片中的物体进行分类，而目标识别是在可以分类的基础上，对物体进行定位。
2.图像分类：图片进入卷积神经网络，输出一组特征向量，并反馈给softmax单元来预测图片类型
一、只考虑图片中包含一个对象
1.训练集的制作
以自动驾驶为例，需要将图片分为四类：行人、汽车、摩托车、背景（不含上面三类）。这是softmax输出的四种结果。

如果想要进一步确定图中车的位置，就需要神经网络多输出几个单元，确定一个边界框（bx,by,bh.bw)，bx、by指图片中心点的位置，bh、bw为边框的高和宽。在一个图片中，左上角为（0，0），右下角为（1，1）
对于神经网络的训练集来说，输入不仅要包含种类，还有可以确定边界框的四个数字。
对于目标标签Y，是一个1*8的向量。pc
表示是否有检测对象，有前三类对象，为1，检测背景，为0；bx,by,bh.bw为对象的边框数据；c1,c2,c3为类别，例如图片中检测为只有汽车，则输出(0,1,0)。对于上面照片，如果作为训练图片，图片为X输入，标签Y为$Y=\left[\begin{array}{l}1\\ b_x\\ b_y\\ b_h\\ b_w\\ 0\\ 1\\ 0\end{array}\right]$
如果图片如那么pc=0，后面的参数将毫无意义，也就不需要关心它是什么了。
对于只有单目标的目标识别，训练集就是这样制作的，对应每一个图片X，都有目标标签Y，Y中包含了我们所需要的元素。
2.损失函数
给定标签为Y，预测标签为$\hat{\mathrm{Y}}$,那么损失函数可定义为$\mathrm{L}(\hat{\mathrm{Y}},\mathrm{Y})$.如果采用平方误差法$\mathrm{L}(\hat{\mathrm{Y}},\mathrm{Y})={\left({\hat{y}}_1-y_1\right)}^2+{\left({\hat{y}}_2-y_2\right)}^2+\cdots +{\left({\hat{y}}_8-y_8\right)}^2$,y1=1.$\mathrm{L}(\hat{\mathrm{Y}},\mathrm{Y})={\left({\hat{y}}_1-y_1\right)}^2$,y1=0.也就是当图像中有类别时，损失函数是所有值的平方差和，如果只是背景，损失函数就是pc的平方差和。
实际中，通常是只对描述边框的四个数据进行平方差求和或其他方法，对C1,C2,C3和softmax的输出不做平方差求和处理