我已经在机器学习上工作了几个月了 . 我已经使用了caffe和darknet，现在将从theano开始 . 机器学习有两个主要任务：1 . 检测和2.分类 . 虽然我理解大多数分类网络是如何制作或设计的，但我无法清楚地了解构建神经网络以检测图像所涉及的基本步骤 . 在分类中，我们使用适当的max pooling，relu和conv层来获得更好的结果并对网络进行微调 . 在制作用于物体检测的神经网络时需要记住哪些重要事项？
一般而言，您所谓的“检测”通常通过回归任务来解决（因此，'回归的神经网络'） . 例如，您想要识别图片上的鼻尖（而不是其他任何东西） . 您标记了训练图像，以便您拥有：
X（输入） - 只是大小的图像，比如256x256像素，灰度Y（输出） - 一对数字，显示此图像上鼻尖位置的X，Y坐标 .
然后你构建了一个DNN来解决这个问题的回归任务 . 对于该NN，应用与分类相同的原理 . 您可以使用max-pooling图层，卷积图层，ReLU，无论您想要什么 . 您只需要记住，您的输出层应该能够输出所需范围内的数字，就是这样 .
使用ANN解决此任务的好教程是here
附：您想要检测对象所在的区域（如将其包含在图像中的彩色框中）？没问题，一个解决方案是解决回归任务的次数，找到对象的左上角，右上角，左下角，右下角 . 或者如果你愿意，可以使用推拉窗 .
1 回答
一般而言，您所谓的“检测”通常通过回归任务来解决（因此，'回归的神经网络'） . 例如，您想要识别图片上的鼻尖（而不是其他任何东西） . 您标记了训练图像，以便您拥有：
X（输入） - 只是大小的图像，比如256x256像素，灰度Y（输出） - 一对数字，显示此图像上鼻尖位置的X，Y坐标 .
然后你构建了一个DNN来解决这个问题的回归任务 . 对于该NN，应用与分类相同的原理 . 您可以使用max-pooling图层，卷积图层，ReLU，无论您想要什么 . 您只需要记住，您的输出层应该能够输出所需范围内的数字，就是这样 .
使用ANN解决此任务的好教程是here
附：您想要检测对象所在的区域（如将其包含在图像中的彩色框中）？没问题，一个解决方案是解决回归任务的次数，找到对象的左上角，右上角，左下角，右下角 . 或者如果你愿意，可以使用推拉窗 .