来源：Coursera吴恩达深度学习课程

目标定位（Object localization）中介绍了其中一种思路，这里介绍另一种思路。神经网络也可以通过输出图片上特征点（landmark）的(x,y)坐标来实现对目标特征的识别，下面看几个例子。

假设你正在构建一个人脸识别应用（face recognition application），你希望算法可以给出眼角的具体位置。眼角坐标为(x,y)，让神经网络的最后一层多输出两个数字l_x和l_y，最为眼角的坐标值。如果你想知道两只眼睛的四个眼角的具体位置，那么依次用四个特征点来表示从左到右的四个眼角，例如第一个特征点(l_1x,l_1y)，第二个特征点(l_2x,l_2y)等。

同样你也可以根据嘴部的关键点输出值来确定嘴的形状，也可以提取鼻子周围得到关键特征点。假设脸部有64个特征点（landmarks），有些点甚至可以定义脸部轮廓（define the edge of the face）或下颌轮廓（define the jawline）。选定特征点个数，并生成包含这些特征点的标签训练集（label training set），然后利用神经网络输出脸部关键特征点的位置。

具体做法是，准备一个卷积网络和一些特征集，将人脸图片输入卷积网络，输出1或0，1表示有人脸，0表示没有人脸，然后输出(l_1x,l_1y)......直到(l_64x,l_64y)。这里一共有129（1+2*64=129）个输出单元，由此实现对图片的人脸检测和定位。这只是一个识别脸部表情的基本构造模块（basic building block），如果你玩过Snapchat或其它娱乐类应用（other entertainment），你应该对AR（增强现实Augmented Reality）过滤器多少有些了解，Snapchat过滤器实现了在脸上画皇冠和其他一些特殊效果。

再看一个例子，上图的第三张图，如果你对人体姿态检测（people post-detection）感兴趣，也可以定义一些关键特征点（key positions），如胸部的中点（the midpoint of the chest），左肩（the left shoulder），左肘（left elbow），腰（the wrist）等，从胸部中心点(l_1x,l_1y)一直向下，一直到(l_32x,l_32y)。然后通过神经网络标注人物姿态的关键特征点，再输出这些标注过的特征点，就相当于输出了人物的姿态动作。一旦了解如何用二维坐标系（two coordinates）定义人物姿态，操作起来就相当简单了。要明确一点，特征点的特性（identity）在所有图片中必须保持一致，就好比，特征点1始终是右眼的外眼角，特征点2是右眼的内眼角，特征点3是左眼内眼角，特征点4是左眼外眼角等等。同样可以利用特征点实现其他有趣的效果，比如判断人物的动作姿态（estimate the pose of a person），识别图片中的人物表情（recognize someone’s emotion from  a picture）等等。

以上就是特征点检测（landmark detection）的内容，熟悉这些构造模块有利于构建目标检测算法。

说明：记录学习笔记，如果错误欢迎指正！转载请联系我。