学习对象分类与定位

# 学习对象分类与定位 ## 1. 准备工作 我们将使用与之前相同的预训练分类器网络 MobileNetV2，但这次用于对象定位而非分类。以下是导入所需模块和基础模型的代码： ```python import tensorflow.keras as K from data import ds base_model = K.applications.MobileNetV2( input_shape=(224, 224, 3), include_top=False) ``` 这里，我们不冻结基础模型的层。 ## 2. 准备定位器模型 ### 2.1 思路 基础模型的输出张量形状为 `(None, 7, 7, 1280)`，代表卷积网络提取的特征，我们假设空间信息编码在 `(7, 7)` 的空间索引中。我们将使用几个卷积层降低特征图的维度，并创建一个回归器来预测数据集中宠物头部边界框的角坐标。 ### 2.2 卷积层选项 ```python conv_opts = dict( activation='relu', padding='same', kernel_regularizer="l2") ``` - **激活函数**：使用 ReLU 函数，当输入小于 0 时输出为 0，大于等于 0 时输出等于输入。 - **填充方式**：`padding='same'` 表示卷积操作不会减小特征图的大小，会用零填充特征图。 - **正则化**：使用 `l2` 核正则化，通过在损失函数中添加项来正则化卷积核权重的欧几里得范数。 ### 2.3 定义卷积层 #### 第一个卷积层 ```python x = K.layers.Conv2D(256, (1, 1), **conv_opts)(base_model.output) ``` - 第一个参数 256 是输出通道数，也是卷积滤波器的数量。 - 第二个参数 `(1, 1)` 描述卷积滤波器的大小。虽然单像素卷积核不能编码特征图的上下文信息，但这里用于将输入特征图的深度从 1280 降低到 256。 #### 第二个卷积层 ```python x = K.layers.Conv2D(256, (3, 3), strides=2, **conv_opts)(x) ``` - `strides=2` 表示卷积滤波器每次移动 2 个像素，用于在不丢失空间信息的情况下减小激活图的大小。 ### 2.4 其他减小激活图大小的操作 除了使用 `strides`，还可以使用最大池化操作。最大池化操作在现代卷积网络中广泛使用，它在一个小窗口（如 `2 x 2`）中选取最大值，然后按指定像素移动（如 2），重复此过程以减小激活图的大小。与使用 `strides` 相比，最大池化操作更适合对空间信息不太感兴趣的任务，如分类任务。 ### 2.5 连接全连接层 ```python out = K.layers.Flatten()(x) out = K.layers.Dense(4, activation="sigmoid")(out) ``` 将卷积层连接到一个包含 4 个神经元的全连接层，用于回归边界框的两个角坐标。由于边界框坐标是归一化的，使用 sigmoid 函数作为激活函数，其输出范围在 `(0, 1)` 之间。 ### 2.6