我理解如何处理分类问题，并且开始理解卷积网络，这在某种程度上我认为是答案。我对如何设置一个网络来输出位置感到有些困惑。

假设你有一个数据集，包含面部鼻子末端的位置。要找到这个末端，你是否只是做一个“分类”类型的问题，其中你的输出层类似于64×64 = 4096个点，但如果鼻子位于网格的第43行和第20列，你就将输出设置为全零，除了在元素43*64 + 20 = 2772处，你将其设置为1？然后再将它映射回你的图像尺寸。

我找不到关于这部分识别工作的太多信息，这是我最好的猜测。我目前正在进行一个使用这种方法的项目，但这将是一项巨大的工作，我想知道我是否至少走在正确的轨道上。这似乎是一个已解决的问题，但我就是找不到人们是如何做的。

回答：

虽然你描述的方法理论上可行，但通常神经网络（包括卷积神经网络和其他类型）并不用于确定图像中特征的位置。特别是，卷积神经网络（CNNs）被专门设计为平移不变的，以便它们能够检测到特征而不管这些特征在输入图像中的位置如何——这与你所寻找的恰恰相反。

对于你描述的那种问题，一个常见且有效的解决方案是级联分类器。它们有一些限制，但对于你描述的那种应用，应该会工作得很好。特别是，级联分类器由于采用分阶段方法而设计得性能优异，大多数输入图像的部分会在前几个阶段被迅速排除。

不要误会我的意思，尝试使用你描述的方法可能会很有趣；只是要注意，这可能会难以很好地扩展。