【CNN】Object Localization

吴恩达的课程笔记
难度排列

1. image classification
2. classification with localization
3. detection（multiple objects）

classification with localization

纯classification 最后一层是 softmax 层。但classification 除了softmax 层之外，还输出一个bounding box（bx,by,bh,bw），分别代表中心、宽高 yTyT=[pc,bx,by,bh,bw,c1,c2,c3,…,cn]
其中pc代表是否有目标物品，ci代表label

L(y^,y)={∑(y^i−yi)2(y^1−y1)2ify1=1ify1=0L(y^,y)={∑(y^i−yi)2ify1=1(y^1−y1)2ify1=0
当然你也可以分别用square error（坐标部分）+log-likelyhood error

Landmark Detection

• 目的：你想让算法识别并输出脸上的各个关键点的位置。做法：把坐标作为y来学习

sliding windows detection

用已经训练好的 CNN 算法扫描图片的每一部分。
缺点是计算量极大。

分析扫描过程发现，其实有很多计算是重复的，那么可以用下面的方法来节省算力：

• FC实际上可以看成一个卷积层。
• 用原本的卷积网络就可以了

注意，原模型的 stride 相当于扫描的 stride

缺点是不能找到精确的位置（精度取决于算法结构中的 stride）

Bounding Box Predictions

YOLO algorithm（you only look once）

Y做成这样：$19198，其中，其中19*19对应原图片上的每个grid，8对应的是对应原图片上的每个grid，8对应的是y^T$=[pc,bx,by,bh,bw,c1,c2,c3,…,cn]
注意：

• 如果某个物体跨越多个 grid，也只有一个grid 对应的 y 的pc是1.
• 每个grid 的左上是(0,0),右下是(1,1)
• bh,bw也是相对于边界长度的，可以大于1

• Intersection Over Union（IOU）算法画出的边界，和ground truth 画出的边界，两者的交集除以两者的并集。
  • 完全正确，则IOU=1，
  • 一般认为0.5以上是“正确”，你也可以用其它阈值。
• Non-max Suppression. 有可能一辆车覆盖很多 grid，然后很多grid 都各自预测出一辆车的位置。Pc是概率，选出一个概率最大的。
  1. step1 discard all boxes with pc≤0.6pc≤0.6
  2. step2 pick the largest pcpc
  3. step3 discard any remaining box with IoU≥0.5≥0.5with the box output in step2
  4. step4 back to step2
• Anchor Boxes. 如果某个grid 有多个物体，怎么办？y多倍

R-CNN

• region-CNN：先运行一个 segment algorithm，然后每个区域上做label+bounding box
• Fast R-CNN：先运行一个 segment algorithm，然后每个区域上做label+bounding box，但是用卷积的方法
• Faster R-CNN：用卷积

但是 Faster R-CNN还是比YOLO慢一些