深度学习笔记（36） 边界框预测

---

1. 不精准的输出边界框问题

在滑动窗口法中，取这些离散的位置集合，然后在它们上运行分类器
在这种情况下，这些边界框没有一个能完美匹配汽车位置，也许这个框（编号1）是最匹配的了
还有看起来这个真实值，最完美的边界框甚至不是方形
稍微有点长方形（红色方框所示），长宽比有点向水平方向延伸

滑动窗口法卷积实现的算法效率更高，但仍然存在问题，不能输出最精准的边界框

---

2. YOLO算法

其中一个能得到更精准边界框的算法是YOLO算法
YOLO(You only look once)意思是你只看一次

比如输入图像是100×100的，然后在图像上放一个网格
为了介绍起来简单一些，用3×3网格，实际实现时会用更精细的网格，可能是19×19
基本思路是使用图像分类和定位算法，然后将算法应用到9个格子上

更具体一点，需要这样定义训练标签，所以对于9个格子中的每一个指定一个标签y
y是8维的，和之前的一样，p_c等于0或1取决于这个绿色格子中是否有图像
然后b_x、b_y、b_h和b_w作用就是，如果那个格子里有对象，那么就给出边界框坐标
然后c₁、c₂和c₃就是想要识别的三个类别，背景类别不算

这张图里有9个格子，所以对于每个格子都有这么一个向量
（编号4）（编号6）这张图有两个对象
YOLO算法做的就是，取两个对象各自的中点，然后将这个对象分配给包含对象中点的格子
所以左边的汽车就分配到（编号4）格子上
然后这辆Condor（车型：神鹰）中点在（编号6）格子，分配给（编号6）格子
即使中心格子（编号5）同时有两辆车的一部分，就假装中心格子没有任何感兴趣的对象

对于这里9个格子中任何一个，都会得到一个8维输出向量
因为这里是3×3的网格，所以总的输出尺寸是3×3×8

如果现在要训练一个输入为100×100×3的神经网络

现在这是输入图像，然后有一个普通的卷积网络，卷积层，最大池化层等等
最后会有选择卷积层和最大池化层
这样最后就映射到一个3×3×8输出尺寸即目标标签y

在YOLO算法中

对于这个方框（编号6所示），约定左上这个点是(0,0)，然后右下这个点是(1,1)
要指定橙色中点的位置，b_x大概是0.4，因为它的位置大概是水平长度的0.4，然后b_y大概是0.3
然后边界框的高度用格子总体宽度的比例表示
所以这个红框的宽度可能是蓝线（编号2所示的蓝线）的90%，所以b_h是0.9
它的高度也许是格子总体高度的一半，这样的话b_w就是0.5
换句话说，b_x、b_y、b_h和b_w单位是相对于格子尺寸的比例
所以b_x和b_y必须在0和1之间
然后就开始训练吧

---

参考：

《神经网络和深度学习》视频课程

---

相关推荐：

深度学习笔记（35） 滑动窗口的卷积实现
深度学习笔记（34） 目标检测
深度学习笔记（33） 特征点检测
深度学习笔记（32） 目标定位
深度学习笔记（31） 迁移与增强

---

谢谢！