我正在尝试使用用 theano 编写的神经网络构建人脸检测系统。对于我必须计算交叉熵的预期输出应该是什么，我有点困惑。我不想知道脸部是否存在，我需要在图像中突出显示脸部（找到脸部的位置）。图像的大小是恒定的。但是图像中人脸的大小不是。我该怎么做？此外，我的网络摄像头目前可以捕捉 480x640 的图像。在输入层中创建这么多神经元对系统来说会非常繁重，我如何在不丢失任何特征的情况下压缩图像？
【问题讨论】：
标签： machine-learning computer-vision neural-network theano
有很多可能的解决方案，最简单的一种是执行滑动窗口搜索并询问网络“图像的这部分是否有人脸？” - 这是相当“标准”的方法。特别是，你这样做是分层的 - 将图像分成 9 个重叠的正方形（我假设图像是正方形）并在每个正方形中询问“里面有一张脸吗？”通过将其重新调整为您的网络输入。接下来，您再次将回答“是”的人分成 9 个方格并重复。这样你就可以快速找到脸型。另一种方法是执行监督分割，您尝试预测图像的哪些部分（像素/超像素）属于人脸，哪些不属于人脸。这不是详尽的列表，但应该让您大致了解如何继续。
如何在不丢失任何功能的情况下压缩图像？
你没有。这不可能。缩小时总是会丢失一些数据（无损压缩存在，但它会破坏结构，从而使分类变得非常困难）。
【讨论】：
您应该首先从通过网络摄像头接收到的图像创建一个训练集。训练集必须包含人脸和非人脸图像（如苹果、汽车等）。为了更好地概括，您可以使用一些现成的数据集。在图像上训练网络后，您可以使用网络对看不见的图像进行分类。
如果您的目标是仅检测图像是否包含人脸，则此方法适用。但是，如果您想识别人脸（例如，这张人脸属于 John 而不是其他人），您需要使用您想要识别的人的图像来训练网络。这种网络中的类数等于不同人的数量。
【讨论】：