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）

3.8 Anchor Boxes

Previous3.7 非极大值抑制（Non-max suppression）Next3.9 YOLO 算法（Putting it together: YOLO algorithm）

Last updated 5 years ago

对象检测存在的一个问题是每个格子只能检测出一个对象，如果想让一个格子检测出多个对象，可以使用anchor box

行人的中点和汽车的中点都落入到同一个格子中

anchor box的思路是：预先定义两个不同形状的anchor box，把预测结果和这两个anchor box关联起来

定义类别标签：

y= \begin{bmatrix} p_{c} & b_{x} & b_{y} &b_{h} & b_{w} & c_{1} & c_{2} & c_{3} & p_{c} & b_{x} & b_{y} & b_{h} & b_{w} &c_{1} & c_{2} & c_{3} \end{bmatrix}^{T}

前面的 $p_{c},b_{x},b_{y},b_{h},b_{w},c_{1},c_{2},c_{3}$ （绿色方框标记的参数）是和anchor box 1关联的8个参数，后面的8个参数（橙色方框标记的元素）是和anchor box 2相关联

行人： $p_{c}= 1,b_{x},b_{y},b_{h},b_{w},c_{1} = 1,c_{2} = 0,c_{3} = 0$

车子的边界框更像anchor box 2，( $p_{c}= 1,b_{x},b_{y},b_{h},b_{w},c_{1} = 0,c_{2} = 1,c_{3} = 0$ )

现在每个对象都分配到对象中点所在的格子中，以及分配到和对象形状交并比最高的anchor box中。然后观察哪个anchor box和实际边界框（编号1，红色框）的交并比更高

编号1对应同时有车和行人，编号3对应只有车：

:

anchor box是为了处理两个对象出现在同一个格子的情况，实践中这种情况很少发生，特别用的是19×19网格

怎么选择anchor box：

一般手工指定anchor box形状，可以选择5到10个anchor box形状，覆盖到想要检测的对象的各种形状
更高级的是使用k-平均算法，将两类对象形状聚类，选择最具有代表性的一组anchor box