这一章我们看一下用神经网络进行图像处理的高级任务。我们看一下语义分割，定位，检测，实例分割。这一章不是让你成为专家，而是给你提供足够的信息来理解算法并读原始的论文，因为读者可以很容易的读这个主题的许多相关书。希望在本章结束你可以理解不同的方法的区别，能直观的理解这些方法的构件。这些算法需要很多高级的技术，比如多个损失函数，多任务学习。本章我们还要看一些技术。注意有些方法的原始论文是多年前的，要掌握主题，你要亲自读一下原论文。
在笔记本电脑上训练和使用原论文的神经网络不太可能。所以本章的代码较少。我只给你指明方向，并告诉你可以使用预训练库，当你想在项目中使用这些技术时。那是下一节的主题。相关的地方，我指出不同方法的区别，优点，缺点。我们指导性的看一下最高级的方法，因为细节太复杂，只有看原始论文才能给你足够的信息来自已实现算法。
什么是目标定义?
我们直观的理解什么是目标定位。我们已经看了图像分类的多种形式：它告诉我们图像里的内容是什么。那听起来很容易，但是很多时候很困难，并不是因为算法。例如，考虑你的图像里同时有猫和狗的情况。分类是什么？狗还是猫？当然，两者都有，但是分类算法只能给你一种分类，所以不可能告诉你图像里有两种动物。如果有很多狗和猫在图像里又怎么样呢? 你有多个对像呢?你得到想法了。
知道猫和狗在图像的哪里可能很有趣。考虑一下自动驾驶汽汽车：很重要的是要知道人在哪里，因为它要区别死人和活人。分类，如我们在上一节所见，通常不能用来解决现实的图像问题。通常在图像里有很多对象实例的识别可以用来区别它们。要完成这个，我们需发现实例在图像里的位置和边界，这是图像识别技术里最有兴趣的地方，可以使用CNNs解决。
通常我们想定位目标在图像里的位置并在它的周围画上边框。
注意 使用目标定位，我们可以确定对象在图像里的一个或多个对象的位置（例如，人和车）并在它的周围画上边框。
有时可以在文献中看到研究者使用术语localization当图像只有一个对象实例时，而使用术语detection当图像里有多个对象实例时。
注意 Localization通常指图像里只有一个对象实例，而 detection指图像里有多个对像实例。
为了总结和澄清技术，这里概括一下所有的词和术语 (可视化的解释见图 6-1):
-
- 实例分割:你想为每一个实例标记每一个像素的具体类，从而找到对象实例的的边界。
语义分割：你想用具体的类标记每一个像素。与实例分割的区别是你不关心有多个车的实例。所有属于车的像素都标记为“车”。在实例分割里，你要知道有多少个车的实例，以及它们在哪里。要理解区别，见图 6-1。
图 6-1. 在图像里定位一个或多个对象的可视化解释
分割是最困难的任务，而实例分割更为困难。要用很多先进的技术来解决这个问题 。要记住的是获得足够的训练数据不太容易。 记住这比简单的分类要困难。
因为我们要标记对像在哪里。使用分割，我们 需要分类图像的每一个像素，意味着训练数据非常大难于收集。
可以获得的非常重要的数据集
可以解决这些问题的非常有 名的数据集是Microsoft COCO 数据集，在 http://cocodataset.org. 。这个数据集有91个对象类型，共 2.5 million个标签实例在328,000张图像里。 为了给你标签的想法，图 6-2 显示了一些数据集的例子。你可以看到具体的对象实例是是如何在像素水平分类的 (如人和车)。
图6-2. COCO数据集里图像的例子
关于容量的快速提示: 2017训练图像约118,000张需要 18GB2 磁盘空间，所以要记住。用这么大的数据训练网络不太可行，需要时间和计算能力。你可以用API来下载COCO图像。更详细的信息见 https://github.com/cocodataset/cocoapi。图像有5个标记类型：对象检测，关键点检测， stuff分割，panoptic分割，图像标记。更多的信息见http://cocodataset.org/#format-data。
另一个数据集是Pascal VOC 数据集。不幸的是，网站不太稳定，因此可以使用镜像文件。其中一个镜像是https://pjreddie.com/ projects/pascal-voc-dataset-mirror/。注意这个数据集要比COCO 数据集小很多。
在本章和下一章，我们主要关注目标分类和定位。我们假定图像里只有一个具体的实例，任务是确定对像属于哪个分类，并在周围画边框。这个有点挑战！我们简单的看一下分割是如何工作的，但是不会太详细，因为问题很难解决。我会给你参考资料供你研究。