欢迎转载，作者：Ling，注明出处：深度学习：原理简明教程14-深度学习:CNN对象定位以及对象检测

本文主要介绍图像识别的对象检测问题。

主要内容参考Andrew NG。

图像分类：识别一个图像是什么类别，比如是车

图像分类和定位：识别一个图像是什么类别，并且定位

图像检测：识别多个对象，并且定位

如何定位且且进行分类？

图示：

假设类别有4个：新人，车，摩托，背景

设定：左上是(0,0)，右下角是(1,1)

输入：图片

输出：类别和bx，by是识别对象的中心，bh和bw是图像的长和宽

我们通过一个CNN提取特征，然后通过softmax进行类别学习，bx,by,bh,bw通过平方差设置cost函数

形式化定义如下：

Pc取值0表示不包含对象，1表示包含对象，c1-c3表示3个类别

左边包含对象，所以要看b的各个值以及c的值，右边不包含对象，所以只用考虑第一个值，所以损失函数为：

解释：

如果y1，也就是Pc为1的话，那么y的所有分量都要看，和标准做差求平方和，如果越小，损失越小

如果y1为0，那么后面的都不用看，只看第一个分量

输入一个x，通过CNN预测一个y^,各个分量和标准的y做差，求平方和。

另外一种叫landmark detection，也可以识别对象并且定位：

该方法主要要识别对象的骨架：

我们可以约定学习骨架要学习多少个坐标点，比如32个，这样y=32*2 + 1 个分量，其中最后一个1表示是否真是对象骨架：

对象检测：Object Detection

实例：

目的：识别图片中的汽车及其位置，可以有多个。

最简单方法:

首先训练一个图像分类器：

该分类器可以通过CNN识别一个小图片是否是汽车。

然后用不同的框，将图片分成不同的小块，对每个小块进行分类，看看是否是汽车，通过这种办法进行识别对象类别和位置：

问题：效率及其低。

解决：[Sermanet et al., 2014, OverFeat: Integrated recognition, localization and detection using convolutional networks]

通过将Fully Connection层转成Convolution层，实现一个框，一遍，可以对整个图像进行对象类别识别：

解释：

第一行的图，实际上将一个小图，通过CNN，进行分类，最后得到的y是一个one-hot表示的向量。

第二行的图，将FC用Convolution替代，先通过5*5 400个filter的Convolution替代第一个FC，再通过1*1 400个filter的Convolution替代第二个FC，最后生成一个1*1*4的one-hot表示的向量

上下两图效果完全一样。

继续：

解释：

第一行的图，对一个14*14*3的图片用上面方法进行对象类别识别

第二行的图，对一个16*16*3的图片，用上面方法，最后输出2*2*4的结果，这个结果什么含义？

实际上就是对16*16*3的图的四个14*14*3的子图，每个进行对象类别识别的结果。也就是14*14方框对输入的图，可以一次通过CNN进行不同位置的类别识别！！！这样就加快了效率。

第三行的图，和第二行的图效果一样。

总结：

一种大小的方框，对输入图片，可以运行一次，就识别出每个方法对象的类别。

但是还是没法准确定位图形位置。

为了不仅识别对象，而且识别位置，我们采用YOLO算法：[Redmon et al., 2015, You Only Look Once: Unified real-time object detection]

首先：

y不再是1*1*4

而是1*1*8，其中这8个值含义前面介绍过。

其次：

指定方框大小后，会一次性学习一个图片中各个小方块情况，学习出这8个值，通过这8个值，我们就可以精确定位每个对象的中心位置，长宽，类别等信息。

注意：bx和by中心只能是0-1之间的值，每个方框左上角为(0,0)右下角为(1,1)，但是bh和bw可以超过1

问题：

1）如何评估结果好坏？

看结果和确定的值，和标准值两个方框的intersection over union值。可以设定一个最小值。

2）如果设定的检查方框太小，可能不同方框都检测出了同一个对象，怎么办？

解决：Non-max suppression算法

例如：

我们选取的方框，几个绿色和黄色都识别出来了对象，并且定出了位置：

Non-max suppression算法：

由于得到的y第一个分量是一个概率值，所以我们可以根据他，首先将概率小于阈值的全去掉，留下图中的五个位置结果。

然后我们：

选概率最大的，比如0.9的这个

选择之后把和0.9这个重合IoU大于一定阈值的全部去掉，这样就只留下了左边的两个框和0.9这个

        再选择概率最大的0.8的，然后去掉重合的，最后就剩下了两个定位框

标准算法：

再复杂一点：

目标：对象有重合

改进：

其实主要改变y的分量，从8个变成8*2 16个

该方法同时也可以识别一个对象：即pc1为1，而pc2为0，

总结YOLO算法：

训练：

识别：