[卷积神经网络]课程：Detection algorithms习题解析

这是<<卷积神经网络>>课程第三周的习题，一共10道。

解答：

因为图片中包含了car这个分类的物体，所以选项4和5首先排除。只要注意bx、by只的是检测对象中心点的坐标，而且按照惯例左上是(0, 0)，右下是(1, 1)，不难确定答案是选项1。

解答：

图片中没有汽车，所以Pc的值应该为0，其它的值都不需关心，所以答案是选项4。

解答：

这个题目有点混淆视听，第一次我就选择了选项3：Logistic unit, bx, by, bh(since bw = bh)，但仔细读题目，有说道软饮料瓶的大小都一样，这样边界框的宽高其实是一个固定值，不需要每个样例都输出，所以答案是选项2。

解答：

脸部的每个标记点都需要(x, y)表示，所以答案是选项2。

解答：

bounding box代表物体的位置，对象检测不仅仅需要判断物体是否存在，还需要指出位置，所以需要提供bounding box数据，答案是False。

解答：

增加stride相当与加大检测的粒度，精度会下降，所以答案为False。

解答：

Non-max Suprression就是选择最有可能包含物体的单元，最后只会选择其中的一个，所以这句话是正确的，答案True。

解答：

Uion面积：2x2 + 2x3 - 1x1 = 9
Intersection面积：1x1 = 1

所以IoU = 1/9，答案为选项2

解答：

去掉car 0.26(因为概率低于0.4)，再去掉tree 0.46，因为IoU < 0.5(保留tree 0.74而不是tree 0.46是根据No-max suppression原则)，剩下5个，所以答案是选项3。

解答：

20个分类加上Pc，bx，by，bw，bh，一个bounding box的输出大小是25，5个锚定框堆叠就是5x25，所以答案就是选项1：19x19x(5x25)。

相关习题解析：

1. [卷积神经网络]课程：Deep convolutional models习题解析
2. Neural Network Basics习题解析
3. [卷积神经网络]课程：The basics of ConvNets习题解析