如何使用 CNN 的特征图来定位图像上的对象？
How to use feature maps of CNN to localize obect on the image?
我正在学习 CNN。我了解卷积层和池化层的工作原理，我了解创建特征图的方式和原因。然后如何定位对象？ IE。我正在使用 Helen dataset，其中每张照片都有 194 个面部点（轮廓、眼睛、鼻子和嘴巴）。例如，将这些面孔输入我的神经网络，我可以接收地图特征并从中计算图像中是否有眼睛的概率。但是我如何从那个特征图中知道那些眼睛的确切位置呢？
我想到的唯一一个决定如下：假设我们有 16x16 的图像，然后使用三个 3x3 的过滤器，我们收到三个 "basic feature" 14x14 的地图，没有合并（因为它使位置不太准确）我们用另外三个 3x3 过滤器处理它们，以接收 9 个具有更一般特征的地图。在这些地图上，我们找到所需特征（眼睛）的检测位置，转到上一层以找到从中接收到这只眼睛的元素（我们称它们为加法基本特征），然后从这些元素中的每一个我们转到更上一层（输入）并标记所有参与创建被加数基本特征的输入层元素。
这种方式似乎过于复杂和不准确，这就是为什么我要求正确的图像本地化方法。
你要的叫"object localization"。有很多技术可以做到这一点。参见 f.e。斯坦福 CS231 https://www.youtube.com/playlist?list=PLkt2uSq6rBVctENoVBg1TpCC7OQi31AlC (Feb 1 and Feb 3 in http://cs231n.stanford.edu/syllabus.html).
中的第 8 和第 9 讲
我正在学习 CNN。我了解卷积层和池化层的工作原理，我了解创建特征图的方式和原因。然后如何定位对象？ IE。我正在使用 Helen dataset，其中每张照片都有 194 个面部点（轮廓、眼睛、鼻子和嘴巴）。例如，将这些面孔输入我的神经网络，我可以接收地图特征并从中计算图像中是否有眼睛的概率。但是我如何从那个特征图中知道那些眼睛的确切位置呢？
我想到的唯一一个决定如下：假设我们有 16x16 的图像，然后使用三个 3x3 的过滤器，我们收到三个 "basic feature" 14x14 的地图，没有合并（因为它使位置不太准确）我们用另外三个 3x3 过滤器处理它们，以接收 9 个具有更一般特征的地图。在这些地图上，我们找到所需特征（眼睛）的检测位置，转到上一层以找到从中接收到这只眼睛的元素（我们称它们为加法基本特征），然后从这些元素中的每一个我们转到更上一层（输入）并标记所有参与创建被加数基本特征的输入层元素。
这种方式似乎过于复杂和不准确，这就是为什么我要求正确的图像本地化方法。
你要的叫"object localization"。有很多技术可以做到这一点。参见 f.e。斯坦福 CS231 https://www.youtube.com/playlist?list=PLkt2uSq6rBVctENoVBg1TpCC7OQi31AlC (Feb 1 and Feb 3 in http://cs231n.stanford.edu/syllabus.html).
中的第 8 和第 9 讲