【卷积神经网络】Lesson 3--目标检测

课程来源：吴恩达 深度学习课程 《卷积神经网络》
笔记整理：王小草
时间：2018年6月8日

---

1.目标定位Object localization

1.1 什么是目标定位

明确下目标定位与检测的定义。

识别一张图片的类型（比如猫狗分类）叫做图像分类image classification,比如下面这张图篇是分类到汽车：

不仅识别出图片的类型，还将目标物体的位置标出来叫做分类定位classification with localization

检测出图片中所有目标物体中的位置叫做目标检测detection
比如给出一张交通图片，检测并标记出里面的车辆，行人，自行车，交通灯等等。（注意，detection与classification with localization的不同在于单张图片中有不同分类的对象）

本节要讲述的是以上第二种情况，即给图片分类，并定位和标记出出目标物体的位置

1.2 定位方法的介绍

标准的图像分类问题，假如如下输入一张图片，通过卷积神经网络卷啊卷，最后经过softmax层，分成4类：行人，汽车，摩托车，啥都没有

如果你还想定位图片中汽车的位置，该咋办呢？你可以让上面这个神经网络再多加几个输出，输出汽车的边框。
汽车的边框信息只需要4个数字来表示：b_x,b_y,b_h,b_w，分别表示边框的中心点的横坐、，纵坐标，边框的高，边框的宽。

因此在标注训练数据时，除了给出类别的标签，还要给出表示边框的4个数字。然后通过有监督的训练模型，输出一个分类标签和四个边框参数值。

1.3 符号约定

（1）定义标签y
y是8*1的向量（注意这里我们只限定讲解图像中只有一个目标物体的情况）。

Pc表示概率：是否有目标物体，若有车辆，摩托车，行人目标物体，则Pc=1,若这三个都没有则Pc=0；
bx,by,bh,bw分别表示目标物体边框的中心点横纵坐标与高宽
c1,c2,c3分别表示当Pc=1时，图片属于车辆，摩托车，行人的类别的概率。

因此上面这个例子的标签y可以写成图左，而什么都没检测到可以写成图右。

（2）定义损失函数
分别将y向量中的8个元素写成y1,y2,…,y8,其中Pc=y1，以此类推。
对于单个样本的损失:
当y1=1时，就是这把个元素对应的平方差损失之和；
当y1=0时，就只是y1的平方差，后面7个元素都不用考虑

在实际中，也可以不这样定义，可以将y1的输出用逻辑回归的损失函数定义，bx,by,bh,bw的输出用平方差和来定义，而c1,c2,c3用softmax的Log损失来定义.

2.特征点检测Landmark detection

神经网络可以通过对特征点(x,y)的输出来识别目标特征。来举2个例子。

例子1:
假设要识别人脸左眼角的特征点，则只需要让神经网络的最后一层输出（Pc,lx,ly)3个值即可,Pc表示是否是人脸，lx,ly是人脸上眼角的坐标点。

假设想定位两只眼睛的4个眼角的位置，那就将输出改为4组坐标对应的数字(l1_x,l1_y),…,(l4_x,l4_y)

假设想定位两只眼睛的一圈，则可能需要10几个特征点，同样࿰