吴恩达Coursera深度学习课程 deeplearning.ai (4-3) 目标检测--课程笔记

3.1 目标定位

图片检测问题

• 分类问题：判断图中是否为汽车；
• 目标定位：判断是否为汽车，并确定具体位置(框起来)；
• 目标检测：检测不同物体并定位。

图片定位的神经网络结构

• 假设我们要定位图片中：行人，汽车，摩托以及背景(没有符合条件的)并定位。
• 假设每张图片上只能出现一个目标。

标记四类存在与否，定位需要定位目标中心坐标(b_x, b_y)以及图片的高度(b_h)和宽度(b_w)

损失函数

输出函数

y_hat 为softmax 的输出，为八个元素

• 第一个元素 P_c 表示是否有物体(1/0)
• 接下来四个元素定位目标(b_x, b_y, b_h, b_w)，
• 最后三个元素表示是否是行人(c1:1/0)，是否是汽车(c2:1/0)是否是摩托(c3:1/0)

损失函数

Loss：

• 如果 P_c = 1 表示有目标出现，则 Loos = 8个元素各自的差的平方之和
• 如果 P_c = 0 表示没有目标出现，则 Loos = P_c的差的平方

3.2 特征点检测

卷积神经网络可以标记图片上的某些特征点的位置

• 比如识别人脸的各个特征点(眼角, 嘴角，鼻尖，下巴等)来识别人们的面部表情
• 比如通过身体上一系列特征点识别运动员的姿态

如果要识别 m 个特征点，则卷积神经网络的softmax 输出需要有2m+1个元素，第一个代表是否出现该目标，其余每2个元素表示一个特征点的 x坐标和 y 坐标。

3.3 目标检测

目标检