目标定位
我们已经了解了简单的图像分类问题,即判断一个图片里有没有物体A。我们的神经网络输出往往只是1个数字,代表出现物体A的概率p。
对于目标定位问题,我们除了要判断有没有物体A,还要圈出A的位置。这时候我们的输出就不应该只有p,还应该标注A的位置。
因此对应目标定位问题,我们要同时输出:出现物体的概率、物体的位置信息、物体的种类信息。才能完成一个多目标定位。
特征点检测
有时候我们需要检测出图片的特征点,例如人脸的眼睛。这时候只需要在输出里面增加眼睛位置的坐标即可得到特征点。
滑动窗口目标检测
为了能够确定目标并表明位置,我们采用这样的方式。
首先对训练集进行裁剪使得整张图片都是目标物体,得到一个网络。这个网络能够判断整张图片是否为物体A
利用这个网络,我们构建一个小窗口,将小窗口放在大图片上逐行逐列扫描。每轮扫描窗口大小也会发生变化,最终发现某个窗口识别出物体A时,将该窗口的边界作为我们的输出边界。
这样做的问题在于:边界不够精确,扫描次数太多
卷积的滑动窗口
为了解决滑动窗口扫描次数多的问题,我们引入卷积版滑动窗口,可以1次计算出多个位置窗口的输出。