卷积神经网络—目标检测 学习笔记（上）

3.1 目标定位（Object Localization）

Image classification（图像分类）：对输入图像进行分类。例如有一个猫狗分类器，当你输入一张图片时，分类器能分辨出这是猫或者是狗，这便是图像分类。
Classification with localization（定位分类）：不仅要进行图像分类，还要得到被检测目标的位置（用包围盒bounding box表示）。注意，定位分类问题中每张图片仅涉及一个目标。
Detection：是能够同时处理多个、多种目标的分类定位。

三者之间实际是一种逐渐复杂的关系。
下面介绍定位分类算法：
如果使用监督学习进行训练，那么一个训练样本（X，Y）分别如下（假设有三种目标，编号为0，1，2）：
X：输入图像

Y： ⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢Pcbxbybhbwc0c1c2⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥ [ P c b x b y b h b w c 0 c 1 c 2 ]
Pc P c ：目标是否存在
bx b x ：包围盒中心的横坐标值
by b y ：包围盒中心的纵坐标值
bh b h ：包围盒的高
bw b w ：包围盒的宽
c0,c1,c2 c 0 , c 1 , c 2 只有一个为1，表示被检测到目标的编号。
注意，当 Pc=0 P c = 0 时其余的分量没有意义。
简单起见，使用方差损失函数：

 L(y,y^)={|y−y^|2,（y−y^模的平方）  (Pc−P^c)2,  Pc≠0,Pc=0    L ( y , y ^ ) = { | y − y ^ | 2 , （ y − y ^ 模 的 平 方 ）     P c ≠ 0 , ( P c − P ^ c ) 2 ,     P c = 0  

3.2 特征点检测（Landmark Detection）

获取特征点可以有许多有意思的应用，如判断人物的动作姿态，识别图片中的人物表情，以及相机的贴图功能等等。接下来介绍获得一个可以检测指定特征点的神经网络。

假设我们要检测人眼的关键点，那么需要的关键点是上图中四个绿色点，从左到右编号为 E1,E2,E3,E4 E 1 , E 2 , E 3 , E 4 。
一个训练样本（X，Y）设计如下：
X：输入图像
Y： ⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢isFaceE1xE1yE2xE2yE3xE3yE4xE4y⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥ [ i s F a c e E 1 x E 1 y E 2 x E 2 y E 3 x E 3 y E 4 x E 4 y ]

3.3 目标检测（Object Detection）

介绍了最基本的滑动窗口检测算法（sliding windows detection algorithm）。
如果我们现有有一个ConvNet，可以识别多种目标，那么如何在一张图片中（包含多个或多种目标）进行目标检测呢？滑动窗口可以。

使用一个固定大小的窗口在图片上滑动，并将对应的部分截取输入到ConvNet进行识别，当所截取部分包含目标时就可以获得分类信息和目标位置。
为了适应大小不同的目标，我们可以使用多个尺寸的窗口进行滑动操作。
滑动窗口是最基本的目标检测算法，优点是算法简单，缺点也显而易见：计算成本太高，因为窗口滑动会产生大量的截图，我们要将大量截图输入到ConvNet中进行识别，计算成本非常大。