Python 用于目标定位的卷积神经网络 我在Andrew Ng的深度学习课程中看到了一种将单个对象定位在图像上的方法： 据我所知，例如，可以将一个点绑定到对象的特定部分，将坐标：x，y作为标签y并训练CNN

我想训练一个CNN神经网络来定位我的眼睛（而不是分类）。我拍了200张我的照片：60x60像素的灰度。我标记左眼和右眼，标记眼的每个坐标标准化为0-1。y标签为：[x of eye1，y of eye1，x of eye2，y of eye2]。我在输出层sigmoid函数中使用了带mse损耗的SGD optimazer

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(64, (3,3), input_shape= (60,60, 1)))
model.add(tf.keras.layers.Activation('relu'))
model.add(tf.keras.layers.MaxPool2D(pool_size=(2,2)))

model.add(tf.keras.layers.Conv2D(32, (3,3)))
model.add(tf.keras.layers.Activation('relu'))
model.add(tf.keras.layers.MaxPool2D(pool_size=(2,2)))

model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(64, activation='relu'))

model.add(tf.keras.layers.Dense(4, activation='sigmoid'))
sgd= tf.keras.optimizers.SGD(lr = 0.01)
model.compile(loss = 'mean_squared_error', optimizer=sgd, metrics=['accuracy'])
model.fit(x,y, batch_size=3, epochs=15, validation_split=0.2)

---

对于这个任务，它不起作用，那么解决这个问题的方法是什么呢？我在某处看到：将CNN应用于图像（我想没有密集层），然后对CNN的数据进行展平，对每个x/y坐标使用线性回归（多变量逻辑回归）。这是一个解决方案吗？据我所知，我会将每个图像输入Conv和MaxPool层，然后展平，然后将数据输入lin。回归并训练它，但我不知道如何在keras中做到这一点。我是这个领域的新手，所以任何想法都会对我有所帮助。

首先，对您的代码进行一些观察

由于最后一层包含2个以上的神经元，因此必须使用的激活函数是softmax，而不是sigmoid（注意，这是在分类的情况下，而不是在回归的情况下）

只有在进行二进制分类时才应使用sigmoid，但在有两个以上的类时不应使用（请注意，您也可以对两个类使用softmax，但从较小的计算开销来看，不一定推荐使用softmax）

你的问题既是一个回归问题，也是一个分类问题

卷积神经网络的第一层包含64个特征映射，每个特征映射的内核大小为3x3。虽然将图像输入到神经网络的方式是正确的，但只输入灰度图像，而不是x1、x2、y1、y2坐标

对于带有回归的ANN，请参阅本教程：

你的直觉是正确的；目标检测神经网络将完全连接的层替换为卷积层。Yann LeCun甚至表示，完全连接的层不应该是CNN的一部分

由于您是这个领域的新手，我建议您采用以下管道

1） 在您喜欢的深度学习库（Keras/PyTorch/TensorFlow等）中找到一个在线github模型

2） 按照说明/教程复制github用户获得的结果

3） 通过后者，您还应该理解代码/获得良好的直观理解

4） 使模型适应您需要的问题

您可以从这里开始（这是对象检测-检测多个对象以及不同类别的对象）：

---

如果您还有其他问题，请写下来，我很乐意为您提供帮助

我认为你们试图完成的和面部关键点检测问题非常相似。它已经得到了广泛的研究，并且有许多解决方案。请使用大量关于解决此问题的人员的资源（内核）查看此文件。谢谢，我发现了此文件：，并尝试了此方法，取得了改进。也许200张照片的训练数据还不够。我将尝试通过旋转、裁剪或其他方式编辑我的数据来获取更多数据。非常感谢。首先，我在最后一层有softmax，但因为所有softmax输出的总和是1，我认为这是错误的。我的错误假设是，每一层都必须有特定的（非线性）激活函数，这导致我在那里放了一个sigmoid。正如我所看到的：，最后一层中的线性激活函数起作用。为什么这是一个回归问题？对不起，我对神经网络、深度学习、CNN等都是新手。这既是一种回归，也是一种分类。通过回归（x_min，x_max，y_min，y_max）细化边界框的位置，并通过分类细化这些边界框内的内容（该边界框内是否有狗或猴子）。