Image processing 让神经网络输出高斯分布而不是单一值？ 我们假设一个神经网络有一个输出神经元。概述该场景：网络获取一个图像作为输入，并应在该图像中找到一个对象。为了简化场景，它应该只输出对象的x坐标

但是，由于对象可以位于不同的位置，网络的输出肯定会有一些噪声。此外，图像可能会有点模糊和模糊

因此，我认为最好让网络输出对象位置的高斯分布

不幸的是，我正在努力为这个想法建模。如何设计输出？如果图像宽度为100像素，则为平坦的100维向量？所以网络可以适应这个向量的高斯分布，我只需要定位峰值就可以得到近似物体的位置

此外，我无法计算出成本函数和教师信号。教师信号会是物体精确x坐标上的完美高斯分布吗？ 那么，如何对成本函数进行建模呢？目前我有一个softmax交叉熵或简单的平方误差：网络的输出实x坐标

---

是否有更好的方法来处理这种情况？像一个更好的分布或任何其他方式，让网络在没有任何噪声信息的情况下不输出一个值等等？

听起来你真正需要的是一个

当目标物体位于网络感受野的中心时，你可以训练网络识别目标物体。然后，您可以创建一个移动窗口，每一步都将该窗口下较大图像的一部分送入网络。如果跟踪窗口每个（x，y）位置的训练网络的输出，则窗口的某些位置将产生比其他位置更好的匹配。覆盖整个图像后，可以选择网络输出最大的位置作为目标对象最可能的位置

---

处理缩放和旋转变化时，考虑创建一个或一组不同大小和旋转的图像，它们是原始图像的版本。然后对这些图像进行筛选，找到目标图像。

我投票将这个问题作为离题题结束，因为你似乎在问这个问题，以便为一个开放式的研究主题提出和制定答案。这不是StackOverflow的合适问题。通常，混合密度网络用于解决此问题：