【CS231n笔记】08 Spatial Localization and Detection

1.分类+定位
2.物体检测

计算机视觉任务一般可分为下列四类：
— 分类
— 分类+定位
— 检测
— 实例分割

1.分类+定位
分类：C个类别
输入：图像
输出：类别标签
评价指标：准确率

定位：
输入：图像
输出：边框(x,y,w,h)
评价指标：IoU(Intersection over Union)

分类+定位即同时完成上述两个任务

ImageNet数据集的分类+定位（CLS-LOC）任务：
共1000类（同分类任务一样）
每张图像中有一类物体，并且最少有一个位置边框
每类约有800训练图像
算法每次生成5个预测，包括类别标签及位置边框，即top-5预测
预测正确的条件是，在5个预测中分类正确且位置边框>=0.5 IoU

思路#1：将定位视为回归问题
图像经过神经网络后输出位置边框坐标，将其与正确坐标的L2距离作为损失函数。

基本流程如下：
Step1：训练一个分类模型（如AlexNet, VGGNet, GoogLeNet等）

Step2：附加一个新的全连接层“regression head”到网络上

Step3：利用SGD和L2损失单独训练“regression head”

Step4：在测试时同时使用两个全连接层完成两个任务

分类后定位 vs. 未分类定位

在何处附加“regression head”？

另：定位多个目标，即在每张图像