我正在尝试使用MobileNets来定位图像中的矩形对象 . 我想构建一个输入图像的模型，并输出矩形对象每个角的关键点/坐标（总共8个点） .
每个图像中的矩形对象都非常独特，我猜想应该很容易概括 . 例如（我的问题与此非常相似）：芝加哥公牛队球场的900张图片以及每张图片的8个给定坐标 . 图像始终以中心徽标朝前，但从任何角度/旋转，可以从近距离或远距离拍摄（因此球场尺寸/旋转变化） .
该模型将能够给我8分：
[upper_left_x, upper_left_y, upper_right_x, upper_right_y, bottom_left_x, bottom_left_y, bottom_right_x, bottom_right_y]
然后我们可以手动（我不希望网络这样做）应用点：
我用基础模型初始化：
model = MobileNet(weights=None, # can also be Imagenet
include_top=False, # the top is for classification
input_shape=(224, 224, 3))
对于输出图层，我应用了与face-keypoints model非常相似的东西
x = model.output
x = Flatten()(x)
x = Dense(500, activation="relu")(x)
x = Dense(90, activation="relu")(x)
predictions = Dense(8)(x)
其他设置和问题
我使用了Adam优化器，SGD，使用 imagenet 权重（尝试冻结/解冻图层）初始化模型，更改学习率，以多种方式重新构建和调整输出图层大小，选择different/custom model implementations，验证我的数据集（X，y）处理，在100s-1000s的时代训练....
我没有像面部关键点示例那样获得接近准确的结果 . 实际上，预测似乎是完全随机的，除了模型准确地输出一个矩形，其中的点按正确的顺序排列 . Any model seems to only recognize the shape, without worry to any correct dimensions or rotation - 我改变了，输出的形状通常适合）
无论结构如何，我可以实现的最低验证损失似乎都在 0.0xxx 左右，精度完全偏离（就正确的尺寸/旋转而言） . 我认为过度拟合，但认为我的模型的结构是真正的问题 .
mobilenet是错误的结构吗？输出层的结构是否应该不同？
我要感谢任何帮助，谢谢 .