吴恩达《深度学习-卷积神经网络》3--目标检测

1. Object Localization目标定位

1）什么是目标定位

分类解决了这是什么的问题，比如下图，这是一辆车，；

定位问题则是要把车的位置标识出来，叫做定位分类问题；

检测问题后面会讲，检测问题就是在一幅图像中有多个对象时，应该如何检测并确定其位置。

分类和定位问题使用的图像一般只有一个对象，位于图像的中间，而检测所用的图像一般会有多个对象，甚至是多个不同分类的对象

2）如何在分类的基础上实现目标定位

如上图，假设一共有行人、汽车、摩托、背景四类，通过softmax输出预测，那么要同时完成定位问题，可以增加一个边界输出，边界由中心点坐标以及长款四个参数确定，分别为bx,by,bh,bw，也就是在softmax的输出中增加四个参数。

如涉及softmax输出为下图：

Pc标识是否为背景，1表示是其他对象，0表示是背景；

bx,by,bh,bw是定位边界的参数，一般设定图片左上角为原点(0, 0)，右下角为(1, 1)。在模型训练时，bx、by、bh、bw都由人为确定其数值。例如上图中，可得bx=0.5，by=0.7，bh=0.3，bw=0.4；

c1,c2,c3表示是否输入行人、汽车、摩托类。

可以看出当Pc=1时其他参数才有意义，当Pc=0时，其他参数没有意义，所以若损失函数采用平方误差的形式，应当如下：

这里为了简化说明使用平方误差，实际中也可以对c1,c2,c3进行最大似然估计，最后只输出一个值，即对象从属的类，对边界参数通常采用平方误差的形式，对Pc采用逻辑回归损失函数，但直接使用 平方误差也是可以的。

2. Landmark Detection特征点检测

除了使用矩形区域检测目标类别和位置外，我们还可以仅对目标的关键特征点坐标进行定位，这些关键点被称为landmarks。

例如人脸识别，可以对人脸部分特征点坐标进行定位检测，并标记出来，如下图所示：

该人脸检测模型共检测人脸上64处特征点，加上是否为face的标志位，输出label共有64x2+1=129个值。

如果有足够多的数据来输出这些特征，那么可以利用这些特征做很多有趣的事情，比如人物表情识别、判断人物姿态等

此方法发挥作用的关键是，设置的点的意义在所有图片中必须保持一致，也就是某个点代表某个特征，那么所有图像上这个点都必须代表这个特征，如点1代表右外眼角，点2代表右内眼角，那么所有的图片都必须按这个顺序标识。