吴恩达深度学习第4课 3.1：目标定位

视频封面

视频元信息

课程：Deep Learning Specialization - Convolutional Neural Networks - Week 3
主题：目标定位（Object Localization）——从图像分类到带定位的分类
时长：约 12 分钟

内容摘要（TL;DR）

本视频是目标检测系列的开篇，讲解带定位的图像分类：在标准分类网络基础上，让神经网络额外输出 4 个实数（bx、by、bh、bw）来参数化边界框。核心是定义 8 维目标标签向量 y = [pc, bx, by, bh, bw, c1, c2, c3]，并针对"有物体"与"无物体"两种情况分别设计损失函数。这是后续目标检测（Detection）的基础。

一、课程引入与任务背景 [00:00]

本周主题是目标检测（Object Detection），这是计算机视觉中正在爆发式发展的领域。
过去几年目标检测的性能提升非常显著，远超几年前的水平。
为了循序渐进地讲清楚目标检测，吴恩达先引入目标定位（Object Localization） 作为铺垫。
学习路径：图像分类 → 带定位的分类 → 目标检测。

理解：这三步是层层递进的关系。分类只回答"是什么"，带定位的分类回答"是什么 + 在哪里"，检测则回答"有哪些 + 各自在哪里"。

二、三个任务的术语区分 [00:22]

图像分类（Image Classification）：算法看一张图，判断"这是一辆车"。
带定位的分类（Classification with Localization）：不仅标注为车，还要在图中用一个红色矩形框（bounding box）圈出车的位置。
目标检测（Detection）：图中可能有多个物体，需要全部检测并全部定位。

考点：术语区分

分类问题与带定位的分类问题：通常只有一个物体，且常位于图像中央。

检测问题：可能包含多个物体，甚至多个不同类别的物体。

以自动驾驶为例：检测任务中不仅需要检测其他车辆，还可能需要检测行人、摩托车，甚至其他物体。
本周后续会讲解检测问题。

理解：分类学到的思路对带定位的分类有用，而定位学到的思路又会反过来对检测有用，知识是逐层复用的。

三、标准分类网络回顾 [02:15]

输入一张图片进入多层卷积网络（ConvNet）。
网络输出特征向量，接入 softmax 单元预测类别。
以自动驾驶为例，类别可设为：
- 行人（pedestrian）
- 汽车（car）
- 摩托车（motorcycle）
- 背景（background）——即"以上都不是"
因此这是一个4 类输出的 softmax。

易错点：背景类不可省略 背景类（background）代表"图中没有要检测的目标"。如果去掉背景类，网络遇到空图时会强行输出一个类别，导致误检。这是很多初学者容易忽略的设计细节。

四、从分类到定位：增加 4 个输出 [03:07]

要让网络同时定位物体，只需在网络输出端增加几个输出单元。
具体做法：让神经网络额外输出 4 个数字，记为 bx、by、bh、bw，用于参数化检测到的物体的边界框。

坐标约定

图像左上角为坐标 (0, 0)。
图像右下角为坐标 (1, 1)。
即所有坐标都被归一化到 [0, 1] 区间。

考点：边界框的四要素

(bx, by)：边界框的中点坐标（不是左上角！）

bh：边界框的高度

bw：边界框的宽度

注意这里用的是"中点 + 高宽"的表示法，而不是"左上角 + 右下角"。

数值示例

bx ≈ 0.5（横向约在图像中间）
by ≈ 0.7（纵向约在图像 70% 处）
bh ≈ 0.3（框高约为图像总高的 30%）
bw ≈ 0.4（框宽约为图像总宽的 40%）

理解：之所以用相对比例而非绝对像素，是为了让模型对图像尺寸不敏感，同一套参数在不同分辨率下都能适用。

五、监督学习与目标标签 y 的定义 [05:16]

如果训练集不仅有类别标签，还包含这 4 个边界框数字，就可以用监督学习让算法同时输出类别和位置。
定义目标标签 y 为一个 8 维向量：

y = [pc, bx, by, bh, bw, c1, c2, c3]

各部分含义：

pc：是否有物体（probability of object）。若物体属于类别 1/2/3，则 pc = 1；若为背景类，则 pc = 0。
bx, by, bh, bw：检测到的物体的边界框参数。
c1, c2, c3：类别指示，分别对应行人、汽车、摩托车。

重点：pc 的含义 pc 可理解为"存在某个待检测类别物体的概率"，即"不是背景类"的概率。

易错点：c1、c2、c3 中最多只有一个为 1 因为本问题是"带定位的分类"，假设图像中只有一个物体，所以 c1、c2、c3 之间是互斥的（one-hot 形式）。

六、训练样本的两个案例 [07:09]

案例 1：图中有一辆车

pc = 1（有物体）
bx, by, bh, bw 给出边界框
因为这是一辆车（类别 2）：
- c1 = 0（不是行人）
- c2 = 1（是汽车）
- c3 = 0（不是摩托车）
完整标签：y = [1, bx, by, bh, bw, 0, 1, 0]

案例 2：图中没有目标物体

pc = 0
其余元素为 "don't care"（不关心），转录中用问号 ? 表示。
原因：如果图中没有物体，那么网络输出什么边界框、认为属于哪一类都无所谓。

重点：don't care 的设计思想 这是本视频最巧妙的地方之一。用"不关心"标记无效分量，可以避免网络在空图上被迫学习无意义的边界框标签（这些标签本身就不存在）。

易错点 当 pc = 0 时，bx、by、bh、bw 以及 c1、c2、c3 的取值在训练中不应产生损失。若错误地对它们计算损失，会污染梯度，损害模型性能。

七、损失函数的设计 [08:47]

设真实标签为 y，网络输出为 ŷ。视频以平方误差为例说明。

情况 1：y1 = 1（图中有物体）

损失为所有 8 个分量的平方误差之和：

L = (ŷ1 − y1)² + (ŷ2 − y2)² + ... + (ŷ8 − y8)²

因为此时所有分量都有意义，都要参与惩罚。

情况 2：y1 = 0（图中无物体）

损失只计算第一项：

L = (ŷ1 − y1)²

因为其余分量是 don't care，只需关注网络对 pc 的估计是否准确。

推导：为什么情况 2 只算第一项 当 pc = 0 时，边界框和类别标签在训练集中根本不存在有效值，强行计算会引入噪声。所以只保留 pc 的误差项，等价于"只要求网络正确判断图中是否有物体"。

实践中的损失选择（吴恩达的补充说明）

视频为简化描述使用了平方误差，但实践中可以更精细：
- c1、c2、c3：通常使用softmax 的 log-likelihood 损失（交叉熵）。
- 边界框坐标：可用平方误差或类似平方误差的损失。
- pc：可用逻辑回归损失（二分类交叉熵）。
不过即使全部用平方误差，通常也能正常工作。

考点：损失函数的分工

分类分量（c1/c2/c3）→ softmax + 交叉熵

存在性分量（pc）→ sigmoid + 二分类交叉熵

回归分量（bx/by/bh/bw）→ 平方误差 / L1 / smooth L1

八、总结与延伸 [11:22]

通过上述方法，可以让神经网络不仅分类物体，还能定位它。
核心思想：让神经网络输出一组实数，用来告诉你在图像中的位置——这是一个非常强大的想法。
下一视频将分享这一思想（把网络输出当作回归任务）在计算机视觉其他场景中的应用。

【拓展】目标定位 vs 目标检测的关键差异 本视频的定位方法假设图中只有一个物体。一旦图中有多个物体，8 维向量就不够用了——这正是后续 YOLO 等检测算法要解决的问题（用网格划分 + 每个格子独立预测，从而支持多目标）。

【拓展】边界框表示的常见变体

本视频：中心点 (bx, by) + 高宽 (bh, bw)

另一种常见表示：左上角 (x1, y1) + 右下角 (x2, y2)

YOLO 系列常用中心点 + 宽高，并配合 anchor box 使用

【拓展】回归 vs 分类的混合任务 本任务本质上是"分类 + 回归"的混合：pc 和 c1/c2/c3 是分类问题，bx/by/bh/bw 是回归问题。理解这一点有助于设计合理的多任务损失（multi-task loss）。

【拓展】容易踩坑的点

忘记归一化坐标，导致损失尺度不平衡。

对 don't care 分量仍计算损失，训练不稳定。

混淆 bx/by 是中心点还是左上角，导致预测框整体偏移。

忽略背景类，导致空图误检。

关键标签/关键词

目标定位、目标检测、图像分类、边界框（bounding box）、bx/by/bh/bw、pc、c1/c2/c3、don't care、监督学习、平方误差、softmax、逻辑回归损失、多任务损失、自动驾驶、卷积神经网络（ConvNet）、吴恩达深度学习、CNN 第三周