目标检测 (Object localization)

黎 浩然/ 16 9 月, 2023/ 机器学习/MACHINELEARNING, 目标检测/OBJECTDETECTION/ 0 comments

Object localization是在图像分类的基础上，除了识别图像中的主要对象外，还需要确定对象在图像中的位置。这通常通过在对象周围绘制一个边界框（bounding box）来实现。边界框的位置和大小由一组参数定义，包括边界框的中心点坐标 (b_x, b_y)、高度 b_h 和宽度 b_w。

在进行对象定位时，神经网络不仅输出对象的类别标签，还输出这四个边界框参数。如果我们定义图像中只有一个主要对象，那么这个问题就是“分类与定位”问题。

对于训练数据，我们不仅需要对象的类别标签，还需要边界框的参数值。这样，我们就可以使用监督学习来训练算法，使其不仅能输出类别标签，还能输出边界框的参数。

在定义目标标签 y 时，可以包括以下组件：

1. p_c：对象存在的概率，如果对象属于我们关心类别之一，p_c = 1；如果是背景，p_c = 0。
2. b_x, b_y, b_h, b_w：边界框的参数，定义了对象在图像中的位置和大小。
3. c₁, c₂, c₃：表示对象类别。如果p_c = 1，则其中一个为 1 其余为 0。

对于损失函数，可以使用平方误差来衡量预测值与实际值的差异。如果对象存在 p_c = 1，则损失是所有组件预测值与实际值的平方差的和；如果对象不存在 p_c = 0，则损失只与 p_c 的预测值有关，因为其它组件的值是不关心的。

最后，这种方法将神经网络的输出转化为一组实数，以描述图像中对象的位置，是计算机视觉领域中的一个强大的想法。这种方法不仅适用于对象定位，还可以用于其他计算机视觉任务。