深度學習筆記（36） 邊界框預測
1. 不精準的輸出邊界框問題
在滑動窗口法中，取這些離散的位置集合，然後在它們上運行分類器
在這種情況下，這些邊界框沒有一個能完美匹配汽車位置，也許這個框（編號1）是最匹配的了
還有看起來這個真實值，最完美的邊界框甚至不是方形
稍微有點長方形（紅色方框所示），長寬比有點向水平方向延伸
滑動窗口法卷積實現的算法效率更高，但仍然存在問題，不能輸出最精準的邊界框
2. YOLO算法
其中一個能得到更精準邊界框的算法是YOLO算法
YOLO(You only look once)意思是你只看一次
比如輸入圖像是100×100的，然後在圖像上放一個網格
爲了介紹起來簡單一些，用3×3網格，實際實現時會用更精細的網格，可能是19×19
基本思路是使用圖像分類和定位算法，然後將算法應用到9個格子上
更具體一點，需要這樣定義訓練標籤，所以對於9個格子中的每一個指定一個標籤y
y是8維的，和之前的一樣，pc等於0或1取決於這個綠色格子中是否有圖像
然後bx、by、bh和bw作用就是，如果那個格子裏有對象，那麼就給出邊界框座標
然後c1、c2和c3就是想要識別的三個類別，背景類別不算
這張圖裏有9個格子，所以對於每個格子都有這麼一個向量
（編號4）（編號6）這張圖有兩個對象
YOLO算法做的就是，取兩個對象各自的中點，然後將這個對象分配給包含對象中點的格子
所以左邊的汽車就分配到（編號4）格子上
然後這輛Condor（車型：神鷹）中點在（編號6）格子，分配給（編號6）格子
即使中心格子（編號5）同時有兩輛車的一部分，就假裝中心格子沒有任何感興趣的對象
對於這裏9個格子中任何一個，都會得到一個8維輸出向量
因爲這裏是3×3的網格，所以總的輸出尺寸是3×3×8
如果現在要訓練一個輸入爲100×100×3的神經網絡
現在這是輸入圖像，然後有一個普通的卷積網絡，卷積層，最大池化層等等
最後會有選擇卷積層和最大池化層
這樣最後就映射到一個3×3×8輸出尺寸即目標標籤y
在YOLO算法中
對於這個方框（編號6所示），約定左上這個點是(0,0)，然後右下這個點是(1,1)
要指定橙色中點的位置，bx大概是0.4，因爲它的位置大概是水平長度的0.4，然後by大概是0.3
然後邊界框的高度用格子總體寬度的比例表示
所以這個紅框的寬度可能是藍線（編號2所示的藍線）的90%，所以bh是0.9
它的高度也許是格子總體高度的一半，這樣的話bw就是0.5
換句話說，bx、by、bh和bw單位是相對於格子尺寸的比例
所以bx和by必須在0和1之間
然後就開始訓練吧
參考：
相關推薦：
深度學習筆記（35） 滑動窗口的卷積實現
深度學習筆記（34） 目標檢測
深度學習筆記（33） 特徵點檢測
深度學習筆記（32） 目標定位
深度學習筆記（31） 遷移與增強
謝謝！