DeepLearning.ai深度学习课程笔记

Introduction
第一门课神经网络和深度学习(Neural-Networks-and-Deep-Learning)
第二门课改善深层神经网络：超参数调试、正则化以及优化 (Improving Deep Neural Networks:Hyperparameter tuning, Regulariza
- 第二门课改善深层神经网络：超参数调试、正则化以及优化(Improving Deep Neural Networks:Hyperparameter tuning, Regularization and
第三门课结构化机器学习项目（Structuring Machine Learning Projects）
- 第三门课结构化机器学习项目（Structuring Machine Learning Projects）
  - 第一周机器学习（ML）策略（1）（ML strategy（1））
    1.1 为什么是 ML 策略？（Why ML Strategy?）
    1.2 正交化（Orthogonalization）
    1.3 单一数字评估指标（Single number evaluation metric）
    1.4 满足和优化指标（Satisficing and optimizing metrics）
    1.5 训练/开发/测试集划分（Train/dev/test distributions）
    1.6 开发集和测试集的大小（Size of dev and test sets）
    1.7 什么时候该改变开发/测试集和指标？（When to change dev/test sets and metrics）
    1.8 为什么是人的表现？（ Why human-level performance?）
    1.9 可避免偏差（Avoidable bias）
    1.10 理解人的表现（Understanding human-level performance）
    1.11 超过人的表现（Surpassing human- level performance）
    1.12 改善你的模型的表现（Improving your model performance）
  - 第二周：机器学习策略（2）(ML Strategy (2))
    2.1 进行误差分析（Carrying out error analysis）
    2.2 清楚标注错误的数据（Cleaning up Incorrectly labeled data）
    2.3 快速搭建你的第一个系统，并进行迭代（Build your first system quickly, then iterate）
    2.4 在不同的划分上进行训练并测试（Training and testing on different distributions）
    2.5 不匹配数据划分的偏差和方差（Bias and Variance with mismatched data distributions）
    2.6 定位数据不匹配（Addressing data mismatch）
    2.7 迁移学习（Transfer learning）
    2.8 多任务学习（Multi-task learning）
    2.9 什么是端到端的深度学习？（What is end-to-end deep learning?）
    2.10 是否要使用端到端的深度学习？（Whether to use end-to-end learning?）
第四门课卷积神经网络（Convolutional Neural Networks）
- 第四门课卷积神经网络（Convolutional Neural Networks）
第五门课序列模型(Sequence Models)
- 第五门课序列模型(Sequence Models)

Powered by GitBook

On this page

Was this helpful?

第四门课卷积神经网络（Convolutional Neural Networks）

第四门课卷积神经网络（Convolutional Neural Networks）

第三周目标检测（Object detection）

3.7 非极大值抑制（Non-max suppression）

Previous3.6 交并比（Intersection over union）Next3.8 Anchor Boxes

Last updated 5 years ago

对象检测中的一个问题是算法可能对同一个对象做出多次检测，非极大值抑制可以确保算法对每个对象只检测一次

实践中当运行对象分类和定位算法时，对于每个格子都运行一次，编号1、2、3可能会认为这辆车中点应该在格子内部

这个算法做的是：

1.首先看哪个检测结果相关的概率 $p_{c}$ （实际上是 $p_{c}$ 乘以 $c_{1}$ 、 $c_{2}$ 或 $c_{3}$ ）概率最大，右边车辆中是0.9，即最可靠的检测，用高亮标记，之后非极大值抑制逐一审视剩下的矩形，所有和这个最大的边框有很高交并比，高度重叠的其他边界框输出就会被抑制

2.逐一审视剩下的矩形，找出概率 $p_{c}$ 最高的一个，在这种情况下是0.8，就认为检测出一辆车（左边车辆），然后非极大值抑制算法就会去掉其他loU值很高的矩形。现在每个矩形都会被高亮显示或者变暗，如果直接抛弃变暗的矩形，就剩下高亮显示的那些是最后得到的两个预测结果

非最大值意味着只输出概率最大的分类结果，但抑制很接近，不是最大的其他预测结果

算法的细节：

首先在19×19网格上执行算法，会得到19×19×8的输出尺寸。简化成只做汽车检测，会得到输出预测概率（ $p_{c}$ ）和边界框参数（ $b_{x}$ 、 $b_{y}$ 、 $b_{h}$ 和 $b_{w}$ ）

1.将所有的预测值 $p_{c}$ 小于或等于某个阈值，如 $p_{c}\le 0.6$ 的边界框去掉

2.剩下的边界框就一直选择概率 $p_{c}$ 最高的边界框，把它输出成预测结果，取一个边界框，让它高亮显示，就可以确定输出有一辆车的预测

3.去掉所有剩下的边界框

如果同时检测三个对象，比如说行人、汽车、摩托，输出向量就会有三个额外的分量。正确的做法是独立进行三次非极大值抑制，对每个输出类别都做一次