8.目标检测

目标定位

1. 如何定位图片中对象的位置？
   目标的参数化表示，让神经网络多输出4个单元：

   • $b_{x}$：边界框的中心点的x坐标
   • $b_{y}$：边界框的中心点的y坐标
   • $b_{h}$：边界框的高度
   • $b_{w}$：边界框的宽度

2. 如何为监督学习任务定义目标标签$y$？

   $$y=\left[\begin{array}{l} p_{c} \\ b_{x} \\ b_{y} \\ b_{h} \\ b_{w} \\ c_{1} \\ c_{2} \\ c_{3} \end{array}\right]$$
   • $p_{c}$：表示是否存在目标；使用逻辑回归
   • $b_{x},b_{y},b_{h},b_{w}$：边界框参数；
   • $c_{1},c_{2},c_{3}$：不同类别；使用softmax，甚至是均方误差。

   $p_{c}=1$时，表示图中存在目标对象；
   $p_{c}=0$时，表示图中不存在目标对象，其余参数无意义。

特征点检测

假设构建一个人脸特征点检测的神经网络，检测人脸的64个关键点，则神经网络的最后一层需要输出129个单元：每个点的坐标为$(x,y)$，一共需要128个单元，还需要一个单元来确定是否存在人脸，所以一共需要129个单元。

目标检测

基于滑动窗口的目标检测算法。

1. 构建标签训练集，训练卷积网络，然后利用其实现滑动窗口实现目标检测：
2. 选定一个特定大小的窗口，将其中的部分图像输入网络，判断是否存在目标；
3. 使用这个窗口遍历整张图片（这个过程有些类似于过滤器卷积输入图像），对每个位置进行分类；
4. 选用更大的窗口重复以上步骤，肯定会有一个窗口可以检测到目标。

缺点：

• 小步幅窗口多，性能较好，但计算成本太大；
• 大步幅窗口少，性能差，计算成本相对低。

滑动窗口的卷积实现

使用卷积可以实现计算共享，提高性能。
上图中，14×14×3的蓝色矩阵代表输入训练集，经过神经网络的训练，可以得到一个1×1×4的分类结果；
16×16×3代表在测试集上进行抽象的滑动窗口，这里并没有真的滑动窗口，而是整个图片进行卷积计算后，2×2的预测结果正好可以与模拟的四次滑动窗口进行映射，这样，利用卷积计算，一次性的实现了整张图片的滑动窗口检测。其中，MAX POOL的维度可以控制抽象滑动窗口的步长。

Bounding Box预测

滑动窗口的卷积实现效率较高，但不能获得最精准的边界框，为了得到更精准的边界框，采用Bounding Box预测

此算法相当于将原图像进行了裁剪，并对每个小子图进行标注。例如裁剪为3×3的图像后，要对九个子图都进行标注，并当作训练数据，训练整个网络

交并比

评价对象检测算法。

$IoU>0.5$时，可以采用。这个0.5是人为规定的，如果需要提高对算法的要求，可以规定更大的$IoU$

非极大值抑制

非极大值抑制可以确保算法对每个对象只检测一次

1. 去掉概率低于某个阈值的边框
2. 选择概率最大的边框，去掉与概率最大的边框交并比较大的边框

Anchor Boxes

到目前为止，对象检测中存在的一个问题是每个格子只能检测出一个对象，如果你想让一个格子检测出多个对象，就是用Anchor Boxes。

预先定义两个不同形状的anchor box，或者anchor box形状，把预测结果和这两个anchor box关联起来。
定义类别标签，不使用：

$$\left[\begin{array}{llllllll} p_{c} & b_{x} & b_{y} & b_{h} & b_{w} & c_{1} & c_{2} & c_{3} \end{array}\right]^{T}$$

而是重复两次，使用：

$$\left.\begin{array}{lllllllllllll} y=\left[p_{c}\right. & b_{x} & b_{y} & b_{h} & b_{w} & c_{1} & c_{2} & c_{3} & p_{c} & b_{x} & b_{y} & b_{h} & b_{w} & c_{1} & c_{2} & c_{3} \end{array}\right]^{T}$$

前8个参数和anchor box 1关联，后8个参数和anchor box 2关联