二进制分类任务：区分汽车与人

➢车辆和人员检测 在我的实现中，我使用了深度学习方法来进行图像识别。 具体来说，是卷积神经网络（CNN）来识别图像。 但是，当前的任务不仅是检测车辆的存在，而且还指向车辆的位置。 事实证明，CNN也适用于此类问题。 主要思想是，由于存在二进制分类问题（车辆/人），因此可以以这样的方式构建模型，使其具有小的训练样本（例如64x64）的输入大小和单特征卷积顶部的1x1层，该输出可用作分类的概率值。 训练了这种类型的模型后，可以任意扩展输入的宽度和高度尺寸，从而将输出层的尺寸从1x1转换为纵横比与新的大型输入近似匹配的地图。 ➢数据 Udacity为学生提供了训练分类器的大量资源。 车辆和非车辆以及计算机生成的人类样本已用于培训。 用于训练，验证和测试的车辆图像总数约为7500张 第一步，探索数据集。 它包括从GTI车辆图像数据库，KITTI视觉基准套件获取的图像，以及从项目视频本身中提取的示例