| desc | |
| 图像领域的任务 |
前两个的默认是只有一个主体，对于 localization 使用的方法就是一个回归问题，回归值是一个四元组
 对于 多对象的图片，使用slide window的方式来扫描，中间有些技巧
|
| localization 的问题 | 本质是一个 四元组的 回归问题 |
| 听说 |
VGG 适合做迁移学习 ，GoogleLeNet 在 VGG 初始上参数调整的
ResNet 微软 152 层，这么深，能训练成功已经很困难了
在某个深度上，能完整训练出来，在这个问题上不好 ，在别的问题上可能效果好
|
| 为什么卷积神经网络强大 |
卷积神经网络的本质还是在发挥神经网络的功能，是 FC 网络的 简化
只是：
1. 计算力上去了
2. 而且技巧性的降低了复杂度，使用：局部连接 + 参数共享，使得参数降低
|
| 确定矩形 |
x，y，w，h
这个四元组 可以确定一个矩形，而不是使用 4个二元组的方式
|
| 关于 classification + localization 的问题 |
1. 先找 AlexNet ，分别接上 classification head 和 regression head 进行 fine tune 一下
2. 对于然后 使用的损失函数是 L2 norm，而不是cos 角，因为cos 仅仅表示夹角，而这里如果对 ，x, y, w, h 作伸缩，那么是有问题的 ，所以只能欧氏距离
3. 输出的时候，可以 前面的共用，输出有两个头，节省预测的时间，如下图：
 4. 进一步扩展，可以对每一个类进行 localization，不管这个类的概率是大是小
假如分类的head 有 C 个类，那么 regression head 的输出是 C*4 个数值
其中，这个 C*4 的数值就是 result ，只要有监督就可以了
虽然比较个性化，可视化好，但是 预测值增多，提升了难度
5. 回归层的位置
 最后一个conv层之后 或者 FC 层之后都是可以的
|
| 关于精细化的 classification + localization 的问题 |
关于 精细化的 猫的鼻子耳朵眼睛都探测出来，此时的问题还不是object-detection
因为有几个主体是知道的，而 object-detection 有几个主体是不知道的
所以可以分别单独训练，多跑几个localization，分别针对鼻子眼睛等等独立的训练
而对于 deep pose，姿势探测，主要是 确定了人的关节点，有几个关节点也是确定的，可以单独训练，多跑几遍，然后信息组合，得出此时的姿势的结论
|
| object detection | 因为不知道有多少个主体，所以要：滑动窗口的方式，然后针对每一个窗口进行 classification + localization 的问题 |
| R-CNN的 过程 |
1. 从 AlexNet 开始配置一个网络，认为AlexNet 已经帮助做好了 特征抽取的工作
2. 训练过程：将图像找出很多的候选 region，然后resize 之后 分别 投入你的网络当中
去 get 到这个图片的 feature
3. 然后使用一个 SVM 判断 这些region 图片的feature，是否是 含有主体的图片
有几个主体，就要训练几个 SVM
|
| fast R-CNN的 过程 |
不再是每一个区域都输入网络得到其 feature，而是整个图片输入网络得到一个大的 ALL_feature
然后 各个 region 从原始图到 ALL_feature 上有一个映射，从这个 ALL_feature 中找出自己region 的 feature
优点
1. 特征抽取时间加速了，不必有多少个 region 就要过多少次网络
2. 原始 AlexNet 也在 fine-tune，而不是 freeze 住了
3. 不必将特征存盘，而是用一个系统在跑
# 即不用 pipeline 了
|
| faster R-CNN的 过程 |
不再使用 selective search 的方法找候选区域了，
而是 使用 一个层 RPN 来找出候选区域
且不是在原始图像上找而是在conv5上面找 ，这是更快的原因
以前是 selective search的方法 找候选区域
但是这个慢，且没有用用到GPU上
|
| 怎么找 候选的 region |
不能全部遍历式的找region，思路就是先 找出一些 边缘 ，确定一下 候选区域 region
然后再测试：
至于确定这些 region 边缘检测，那么可以基于像素等使用kmeans，
然后将其扩展为一个方框，这些方框之间可以有重叠
|
| 对 linear svm 认识 |
SVM 可以使用linear svm 来分类比较快 ，即不要用Kernel
linear svm 就是线性分类器的速度
|
| 选取哪里作为 图像的特征表示 |
一般使用的方法时FC层之后的作为特征表示，因为认为经过卷积之后，信息损失，这个FC有信息还原
但是如果 FC 之后的feature 太大，所以用 最后一个 pool 层的结果来表示
|
| 参数共享 |
这个的 fastRCNN
就是相当于 卷积大小是1，连接数目没减，主要使用的是 Wi——>W
就是：参数共享，参数已经很少了，但是连接数没变
全连接层是费时间的主要原因
|
| bbox regression | bounding box |
| R-CNN |
其思想就是 分成很多区域，然后一一处理这些区域，这应该就是 Region 的含义
只不过不是针对每个 原始图片region，而是处理其对应的feature
RCNN 主要是在训练最后一个分类层，前面的 CNN freeze 了，而 fast-CNN 同时训练前面的CNN
|
