Bounding box regression 边框回归

      边框回归用的是相对坐标差

      Regression，即回归，对大量统计数据进行数学处理，并确定因变量与某些自变量的相关关系，建立一个相关性较好的回归方程，并对今后因变量的变化进行预测。举个简单的例子：给定一堆点(x, y)，然后根据这些点拟合出一条线(一个函数)，之后再给定一个x，那我们就可以预测出对应的y的值。

      那在目标检测中，为什么会需要回归呢？请看下图，红色的框是使用selective search提取出的region proposal，绿色的框是ground truth。当图中红色的框被分类器识别为飞机，但是由于红色框的定位不准(IoU<0.5)，还是相当于没有正确检测出飞机。所以为了使定位更准确，即使得region proposal更接近于ground truth，我们可以对红色的框进行微调，那怎么进行微调呢？答案即使bounding box regression。接下来我们看看是怎么实现的。

边框回归做的是什么

      首先说明：在目标检测中，窗口一般用四维向量(x, y, w, h)来表示，分别表示窗口的中心点坐标和宽高。在下图中，粉色的窗口 P 为region proposal，蓝色的窗口 G 为ground truth，那bounding box regression的目标呢就是：找到一种映射关系，使得 P经过映射后会得到一个和 G 比较接近的 G‘ 。

 

【R-CNN目标检测系列】二、边界框回归（Bounding-Box Regression）_戴璞微的学习之路-CSDN博客_边界框回归

【目标检测】基础知识：IoU、NMS、Bounding box regression - 知乎

边框回归(Bounding Box Regression)详解_南有乔木NTU的博客-CSDN博客