吴恩达的课程笔记
难度排列
- image classification
- classification with localization
- 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
$y^T$=[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
\(L(\hat y,y)=\left \{ \begin{array}{lll}
\sum(\hat y_i-y_i)^2 & if y_1=1\\
(\hat y_1-y_1)^2 & if y_1=0
\end{array}\right.\)
当然你也可以分别用square error（坐标部分）+log-likelyhood error
Landmark Detection
例如：
- 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
看图
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$19*19$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
技巧
- 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。
- step1 discard all boxes with $p_c\leq 0.6$
- step2 pick the largest $p_c$
- step3 discard any remaining box with IoU$\geq 0.5$with the box output in step2
- 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
