posss
⽬标定位（Objectlocalization）august是什么意思
lily英语⽬标定位（Object localization）
tokenize图⽚分类任务我们已经熟悉了，就是算法遍历图⽚，判断其中的对象是不是汽车，这就是图⽚分类。定位分类问题，这意味着，我们不仅要⽤算法判断图⽚中是不是⼀辆汽车，还要在图⽚中标记出它的位置，⽤边框或红⾊⽅框把汽车圈起来，这就是定位分类问题。其中“定位”的意思是判断汽车在图⽚中的具体位置。手雷英文
图⽚分类问题我们已经并不陌⽣了，例如，输⼊⼀张图⽚到多层卷积神经⽹络。这就是卷积神经⽹络，它会输出⼀个特征向量，并反馈给softmax 单元来预测图⽚类型。
网络公开课
如果你正在构建汽车⾃动驾驶系统，那么对象可能包括以下⼏类：⾏⼈、汽车、摩托车和背景，这四个分类就是 softmax 函数可能输出的结果，这就是标准的分类过程。如果你还想定位图⽚中汽车的位置，该怎么做呢？我们可以让神经⽹络多输出⼏个单元，输出⼀个边界框。具体说就是让神经⽹络再多输出 4 个数字，标记为b x，b y，b h和b w，这四个数字是被检测对象的边界框的参数化表⽰。要确定边界框的具体位置，需要指定红⾊⽅框的中⼼点，这个点表⽰为(b x，b y)，边界框的⾼度为b h，宽度为b w。因此训练集不仅包含神经⽹络要预测的对象分类标签，还要包含表⽰边界框的这四个数字，接着采⽤监督学习算法，输出⼀个分类标签，还有四个参数值，从⽽给出检测对象的边框位置，图⽚左上⾓的坐标
academician为(0,0)，右下⾓标记为(1,1)。此例中，b x的理想值是 0.5，因为它表⽰汽车位于图⽚⽔平⽅向的中间位置；b y⼤约是 0.7，表⽰汽车位于距离图⽚底部 3/10的位置；b h约为 0.3，因为红⾊⽅框的⾼度是图⽚⾼度的 0.3 倍；b w约为0.4，红⾊⽅框的宽度是图⽚宽度的 0.4 倍。⽬标标签y的定义如下：
healer是什么意思它是⼀个向量，第⼀个组件p c表⽰是否含有对象，如果对象属于前三类（⾏⼈、汽车、摩托车），则p c= 1，如果是背景，则图⽚中没有要检测的对象，则p c= 0。我们可以这样理解p c，它表⽰被检测对象属于某⼀分类的概率，背景分类除外。如果检测到对象，就输出被检测对象的边界框参数b x，b y，b h和b w。最后，如果存在某个对象，那么p c = 1，同时输出c1、c2和c3，表⽰该对象属于 1-3 类中的哪⼀类，是⾏⼈，汽车还是摩托车。鉴于我们所要处理的问题，我们假设图⽚中只含有⼀个对象，所以针对这个分类定位问题，图⽚最多只会出现其中⼀个对象。
英语演讲技巧
神经⽹络的损失函数，其参数为类别y和⽹络输出y^，如果采⽤平⽅误差策略，则：，损失值等于每个元素相应差值的平⽅和。如果图⽚中存在定位对象，那么y1 = 1，所以y1 = p c，同样地，如果图⽚中存在定位对象，p c = 1，损失值就是不同元素的平⽅和。另⼀种情况是，y1 = 0，也就是p c = 0，损失值是(y1^ − y1)2，因为对于这种情况，我们不⽤考虑其它元素，只需要关注神经⽹络输出p c的准确度。
>p r c
