目标检测-Anchor

引言

YOLOv1当中没有采用Anchor，YOLOv1把整张图划分成7*7网格，每个Grid预测出两个Bounding Box，这两个Bounding Box谁与Ground Truth的IoU大，谁负责拟合那个Ground Truth

上图是YOLOv1中的Bounding Box，每个Grid中的两个BB野蛮生长，意思就是长宽随意。但是在YOLOv2当中，给这BB哥俩先验的初始框，即规定两个BB的长宽比，如下图所示，一个BB是瘦高（专门用于检测高瘦物体，如行人），一个BB是矮胖（专门用于检测矮胖物体，如汽车），并且规定只需在原有位置上进行微调，预测偏移量即可，无需大的变动。

仍然是谁和GT的IoU大，谁负责预测GT。这样矮胖BB天生适合预测矮胖物体，高瘦BB天生适合高瘦物体上。 各自都有较明确分工，模型训练会更加稳定。每个预测框只需要预测出相较于Anchor的偏移量即可。预测偏移量比从头套简单多了。

YOLOv2把每张图像划分成13*13个Grid Cell，每个Grid Cell预测5个Anchor，也就是事先制定了5种长宽大小尺度不同的先验框。

人工标注框的中心点落在哪个Grid Cell里面，就由哪个Grid Cell产生的5个Anchor中与Ground Truth IoU最大的Anchor来负责预测，预测框只需要预测出相较于自己Anchor的偏移量即可。

上面两个图所示，YOLOv1当中，每个Grid Cell产生一个30维的向量，2个BB分别包含5个参数，此外还包括20个条件类别的概率，因此总共又30个数（30维的向量）。在YOLOv2，模型复杂一些，原来类别是归Grid Cell管，现在归Anchor管，每张图片被划分为13*13的Grid Cell，每个GD产生5个Anchor，每个Anchor除了定位参数、置信度，还包括20个类别的条件概率。所以在YOLOv2当中，一个Grid产生一个125维的向量。3维空间里就是一个13*13*125的张量。