第十二課：目标監測(Object detection)
3.1 目标定位(Object localization)
解釋上圖：
對于目标監測的輸出y，第一個參數$P_c$如果圖檔中有目标，比如行人，車或者自行車，則輸出1，如果是背景則輸出0.接下來的四個參數用來定位，具體定義在第一張圖檔中已經給出了。最後幾個參數$C_1,C_2,C_3$表示分别是行人，車，自行車，如果是自行車，則輸出$C_3$為1，其他為0.
其損失函數如上圖所示。
3.2 特征點檢測(Landmark detection)
特征點檢測通過在最後一層添加輸出變量，如圖所示，圖二标記了64個特征點，然後讓其在最後一層輸出，如上面的網絡最後一層，第一個參數表示是否識别到了人臉，後面的參數表示特征的具體坐标位置，根據這樣我們可以判斷出人的表情變化，或者判斷人的姿态，比如是行走還是在奔跑等等。
3.3 目标檢測(Object detection)
基于滑動視窗的目标檢測算法
讓方框在圖中從左上角按照一定步長進行周遊找到目标位置
缺點：計算量比較大，當步長太大，誤差比較大。
3.4 滑動視窗的卷積實作(Convolutional implementation of sliding windows)
解釋：滑動視窗的卷積實作就是從左上角開始，以固定步長進行周遊，這裡的步長是由最大池化的次元決定的，如圖步長為2，然後得到一個$2*2*400$的輸出全連接配接層，其中藍色框代表左上角的矩形視窗，綠色框代表右上角，以此類推。
如上圖，如果以$14*14$進行滑動視窗卷積，可以得到最終$8*8$的輸出層，這裡面的每一個方框對應相對位置的矩形框。
優點：效率高
缺點：不能準确預測矩形框的位置。
3.5 Bounding Box預測(Bounding box predictions)
Yolo算法效率比較高，因為它用了卷積，同時能夠精确輸出标準框，關于原理似懂非懂。
大概過程就是，先給訓練集打标簽(工作量巨大)，如上圖，每個框輸出8個特征向量，具體含義本周第一課已經講過了，可以确定出目标的位置。
上面這個圖是關于四個參量的表示方法，其中$b_h,b_w$表示反了，注意下。。。表示方法也和前面目标定位那塊是一樣的。
Redmon, Joseph, et al. "You Only Look Once: Unified, Real-Time Object Detection." (2015):779-788.（原來大佬的yolo論文）
3.6 交并比(Intersection over union)
判斷對象檢測算法運作是否良好？
交并比用來表示打标簽的框與預測框的交集與并集之比，如果兩個框重合，則交并比為1.
交并比來衡量兩個邊界框重疊的相對大小
3.7 非極大值抑制(Non-max suppression)
非極大值抑制的方法作用：確定算法對每個對象隻檢測一次。
如上圖所示，對于預測的輸出，假設就是針對汽車，去掉了之前的$C_1,C_2,C_3$，将$P_c$表示為機率，先去掉機率小于0.6的，然後找到最大的機率作為輸出的預測，然後抛棄掉與最大機率框的交并比大于0.5的框，這就是非極大值抑制。
3.8 Anchor Boxes
Anchor Boxes：用來解決一個格子中有多個對象的問題。
對象在目标标簽中的編碼方式：(grid cell,anchor box)，表示實際邊界框與anchor box的交并比越高，則就選擇較高的anchor box。
對于一個格子中有兩個圖像的問題：設定輸出有16個 向量，比如本題，前8個表示行人，後8個表示汽車。
通常一個格子中很少有三個對象。
3.9 YOLO算法(将前面學習的綜合起來)
在訓練階段，對于每個框得到固定的輸出，對于有汽車的框，注意輸出。
預測過程如下：
1.對于每個格子，都得到兩個輸出預測邊界框；
2.去掉機率很低的預測；
3.對于每個類别單獨運作非極大值抑制。
3.10 候選區域（選修）(Region proposals)
講了個R-CNN,了解
OVER!