目录

1 图像定位的理论知识

1.1 常见的图像处理任务

（1）分类

（2）分类+定位​

（3）语义分割

（4）目标检测

（5）实例分割

2 图像定位

2.1 分类+回归模型的神经网络架构

2.2 训练集解析

2.3 创建管道​

2.4 模型定位与创建

2.5 预测结果

2.6 模型的定位与预测

3 图像定位的优化、评价和应用简介

3.1 图片定位的优化

1、先大后小

2、滑动窗口的方式

3、针对不定个数的预测问题：

4、尝试使用全卷积网络，去掉全链接层，变回归为分类问题

3.2 图像定位的评价

3.3 图像定位的应用

4 补充知识

4.1 GPU使用于分配

4.1.1 获取当前主机上运算设备的列表​

4.1.2 设置显卡的使用策略

4.2 自动图运算

4.2.1 代码实现​

---

1 图像定位的理论知识

1.1 常见的图像处理任务

（1）分类

我们常见的分类问题，这也是核心以及基础

图像和位置数据的解析和可视化

（2）分类+定位

（3）语义分割

区分到图中每一个点像素点，而不仅仅是矩形框框住

（4）目标检测

目标检测简单来说就是回答图片里面有什么？分别在哪里（把他们用矩形框住）

常见的有F-CNN

（5）实例分割

实例分割是目标检测+语义分割的结合。

相对目标检测的边界框实例分割可精确到物体边缘

相对于语义分割，实例分割需要标注出图上同个物体的不同个体

接下来我们先从简单的入手-图像定位

2 图像定位

对于单纯的分类问题，比较容易理解，给定一幅图片，我们输出一个标签类别，我们已经跟很熟悉

而定位有点负责，需要输出四个数字（x,y,w,h）,图像中某一个点的坐标（x，y）,以及图像的高度和宽度

有了这四个数字，我们就可以找到物体边框

2.1 分类+回归模型的神经网络架构

是一个监督问题，我们采用XCEPTION 进行

我们采用Oxford-IIIT数据集，包含37种宠物，每种宠物200张

2.2 训练集解析

我们选用的数据集有猫的图片以及头像的位置（xml）

考虑到每张图片的大小不一样，因为这个红框的位置和我们的图片大小有关，我们需要进行等比放缩

2.3 创建管道

2.4 模型定位与创建

2.5 预测结果

2.6 模型的定位与预测

模型保存：model.save(detect_v1.h5) 以及读取模型与前面一章类似

利用训练好的模型，我们来查看我们的预测结果

我们的实验只做下面这一部分

3 图像定位的优化、评价和应用简介

预测图像位置本质上是一个回归问题，直接回归出位置，有两个缺点：

1、回归位置不准确---利用坐标不精确

2、泛化能力不好---如果前景和背景非常类似图片做测试，泛化能力不好

3、目前算法只能预测单个实例（这个不算缺点）---这里只是为了说明如果多个头像在一张图片上则无法识别

3.1 图片定位的优化

1、先大后小

现在整个图片预测出关键点，然后再在预测出的关键点周边，进行二次预测

2、滑动窗口的方式

用一个小的窗口在图片上滑动，每一次做两个预测

• 是否有关键点
• 关键点位置

3、针对不定个数的预测问题：

可以先检测多个对象，再在多个对象上分别回归出位置

4、尝试使用全卷积网络，去掉全链接层，变回归为分类问题

3.2 图像定位的评价

可以使用IOU来评价图像定位的精度

IoU的全称为交并比（Inersection over Union）

IoU计算的是“预测的边框”和“真实的边框”的交集和并集的比值

因此取值在[0，1 ]之间

3.3 图像定位的应用

比如这里有14个点，我们就可以得到其姿态

先评估关键点，再组合关键点，这是一个研究的方向，感兴趣可以深研

4 补充知识

4.1 GPU使用于分配

4.1.1 获取当前主机上运算设备的列表

设置当前程序可见的设备范围

注意：

4.1.2 设置显卡的使用策略

默认情况下，tf将使用几乎所有可用的显存，以避免内存碎片化所带来的性能损失

TF提供了两种灵活控制显存的方法

1、仅在需要的时候申请

2、限制消耗固定大小的显存  

4.2 自动图运算

TF 2.0汇集了eager模式的简易性和TF 1.0的强大图运算功能。这个合并的核心是tf.function。