Bounding Box预测（Bounding box predictions）

来源：Coursera吴恩达深度学习课程

在上一篇文章滑动窗口的卷积实现（Convolutional implementation of sliding windows）中，我们了解了滑动窗口法的卷积实现，这个算法效率更高，但仍然存在问题，不能输出最精准的边界框。在这篇文章中，将学习如何得到更精准的边界框。

如上图，在滑动窗口法中，这些边界框没有一个能完美匹配汽车位置，也许右下角的蓝框是最匹配的啦。甚至最完美的框（右下角的红色框）不是正方形，而是长方形。那么有没有办法让这个算法输出更精准的边界框呢？

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，这是由Joseph Redmon，Santosh Divvala，Ross Girshick和Ali Farhadi提出的算法。输入图像是100×100的，然后在图像上放一个3×3网格，也可能是其他网络。基本思路是使用图像分类（image classification）和定位算法（localization algorithm），原理与本周的第一个视频类似。例如左上的格子没有汽车，分类标签y是：

最后，9个格子中（3×3的网格）的任何一个都会得到一个8维输出向量，总的输出尺寸是3×3×8。

如果你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，然后你有一个普通的卷积网络，卷积层，最大池化层等等，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。

所以这个算法的优点在于神经网络可以输出精确的边界框。重申一下，把对象分配到一个格子的过程是，将这个对象分配到其中点所在的格子，所以即使对象可以横跨多个格子，也只会被分配到9个格子其中之一，就是3×3网络的其中一个格子，或者19×19网络的其中一个格子。在19×19网格中，两个对象的中点（图中蓝色点所示）处于同一个格子的概率就会更低。

要注意：（1）这和图像分类和定位算法非常像，它显式地输出边界框坐标，能让神经网络输出边界框，可以具有任意宽高比，并且能输出更精确的坐标，不会受到滑动窗口分类器的步长大小限制。（2）这是一个卷积实现，你并没有在3×3网格上跑9次算法，或者你用的是19×19的网格，19平方是361次，所以你不需要让同一个算法跑361次。相反，这是单次卷积实现，但你使用了一个卷积网络，有很多共享计算步骤（shared computation），在处理这3×3计算中很多计算步骤是共享的，或者你的19×19的网格，所以这个算法效率很高。事实上YOLO算法有一个好处，也是它受欢迎的原因，因为这是一个卷积实现，实际上它的运行速度非常快，可以达到实时（real-time）识别。

在YOLO算法中，对于这个方框（橘色方框），一般约定左上这个点是(0,0)，然后右下这个点是(1,1)，b_x和b_y必须在0-1之间，b_h和b_w可能会大于1。

总之，这就是YOLO算法（你只看一次算法），如果你感兴趣，也可以看看YOLO的论文。

论文：Redmon, Joseph, et al. "You Only Look Once: Unified, Real-Time Object Detection." (2015):779-788.

说明：记录学习笔记，如果错误欢迎指正！转载请联系我。