12 图像识别 - 卷积神经网络 [Deep Learning Specialization系列]

本文是Deep Learning Specialization系列课程的第4课《Convolutional Neural Networks》中Object Localization部分的学习笔记。

主要是在图像分类的基础上，今一定定位出对象的位置并输出，已完成图像识别。具体包含：

• 对象定位的输出
• 特征点检测
• 滑动窗口检测及其卷积运算
• YOLO算法
• IoU
• Non-max Suppress
• Anchor box
• R-CNN算法

1 对象定位

前面我们学习的数字识别、猫识别等都属于计算机视觉中的图像分类，即只需识别出图像中有什么。
在图像分类的基础上，我们更进一步，把图像中对象的位置也标记出来，这就是对象定位（Object Localization），即识别出图像中有什么并且在什么位置。

下面先以简单的例子开始，在下面的图像识别中，包含两类输出：

• 分类，比如是车、行人、摩托车还是背景
• 位置，对象矩形的中心点坐标X、Y，矩形的高度、宽度

这里的位置需要做一些说明，其实以图像左上角为(0, 0)，右下角为(1, 1)。在确定位置时，则是以对象所在图像中的比例标示出来。下图中车的中心坐标为(0.5, 0.7)，高度为0.3，宽度为0.4。

在上面的例子中，其最后的输出是包含8个参数，其中第一个参数$p_c$是判断图像中是否包含所需物体，这与前面学习到的分类一样。
后面的输出则分别是位置$(b_x,b_y,b_h,b_w)$和具体的分类$(c_1,c_2,c_3)$。
这里 p c p_c