本文详细介绍了目标检测技术，包括目标定位、特征点检测、目标检测算法如滑动窗口和YOLO。重点讲解了YOLO算法的工作原理，包括交并比（IoU）和非极大值抑制，以及处理多目标重叠情况的Anchor Boxes策略。
目录
1 目标定位
目标检测的目标不同于前面几章的判断问题，我们不仅需要判断还需要确定物体的位置。
标准的CNN分类问题可以帮助我们判断图中是否有某个物体
原始图片经过卷积层后,softmax层会输出4 x 1向量来给出判断，但目标定位问题并不仅限于此
我们首先给出规定，(0,0)点为图像左上角点，(1,1)为图像右下角点。原始图片经过卷积层后，softmax会给出一个8 x 1向量，这个向量除了包含分类向量外，还包含了(bx, by)，表示目标中心位置坐标；还包含了bh和bw，表示目标所在矩形区域的高和宽；还包含了Pc，表示矩形区域是目标的概率，数值在0～1之间，且越大概率越大。
输出的范例可表示为：
上图中pc=0的情况表示没有检测到目标，此时后面的七个参数没有实际意义。
对于目标检测问题 ，其损失函数如下所示：
当pc=1时：
当pc=0时：
，此时由于没有检测到目标，因此只需关注检测的准确性即可。
2 特征点检测
检测目标的类别和位置可以通过对目标的关键特征点进行定位，比如人脸识别，可以对人脸的部分特征点进行定位检测：
这个模型检测人脸上的64处特征点，加上检测是否是脸的标志位。共有64x2+1=1
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
