迁移学习之物体定位与检测上
分类和定位
分类：给定一个图像，输入图像包含的对象的类别。
定位：给定一个图像，找到图像中对象所在的区域，即找出边界框。
数据集：一千个类别，每个类别有800张图像。
网络结构如上图，定位和分类可以同时训练也可以分别训练。
方法一：当做回归问题求解
分类是一个回归问题，可以将定位也当成回归问题，定位及找到对象所在边界框，边界框为方形，所以确定边界框的左上角的坐标以及长和宽四个参数即可。所以也可以将定位看成是给定一个图像，找出这四个参数的回归问题。
如上图所示，在一个卷积网络之后分别连接两个全连接层，一个用于分类，一个用于定位。
两种回归，一种是无论图像是什么类别，定位部分的网络都有相同的结构和参数来得到边界，这种叫不定类回归。另一种为定类回归，即输出是C乘四个边界参数，即每一类别都有一种边界框。
在哪个位置进行回归？两种方法，第一种在最后一个卷积层后面加上回归网络，如VGG、OverFeat。第二种在全连接层之后。
此外在图像中包含K个同类别对象的时候，定位K个对象，即得到4K个参数的回归问题。
例子：人体姿态估计，找到图像中人体的K个关节的位置。
方法二：滑动窗口
滑动窗口的网络结构如下图：
也是一个分类一个定位网络。
再说滑动窗口是什么意思？相当于有一个大的边界框，如下图中黑色框，从左上角开始从左到右从上向下滑动，每次滑动得到的子图像输入到网络，得到一个分数和定位边界框，下图中得到四个子图和四个边界框和类别分数，最后用一种特殊的方法将分数和边界框融合，得到一个分数和边界框。实际实现中得到的子图和分数更多，不止四个。
但有一个问题，对每个类别都运行这样的网络非常耗时，这里有一种高效的方法，通常我们将网络看成是卷积网络和全连接层两部分，换一种角度看全连接网络有4096个数字，是一个向量，将其看成一个卷积的特征映射，其维度是，即将其看成是卷积的输出，且输出为
，如下图：
即在最后一个卷积层和全连接层之间替换成一个的卷积层，这样整个网络就是一个卷积网络，不包含全连接层。这样的结果在处理不同大小的图片时可以大大滴减少计算量。如下图：
原理训练时输入数据是，测试时数据是
，对于不同大小的数据，计算过程相同，额外的计算仅仅是黄色部分。