anchor box原理理解

对anchor box的一些个人理解

滑动窗口

这是比较原始的目标检测方法，给定一个固定尺寸的窗口，根据设定的步伐，一步一步的从左至右、从上至下滑动，把每个窗口输入到卷积神经网络中进行预测和分类，这样做有两个缺点:

1、由于窗口尺寸固定，因此不适合形变较大的物体

2、窗口较多，运算量大

为什么提出anchor box？主要有两个原因：

1、一个窗口只能检测一个目标，我理解的是，有多个anchor box就可以在图片上检测多个目标，图片上有多个anchor box，每个anchor box检测一个目标。

2、无法解决多尺度问题。这个我不是很理解。难道因为多尺度图片的输入跟anchor box有关系，还是不同的图片需要同样大小的anchor box？

anchor box 框的位置是怎么设置的？

1、通常一个对象或者说一个中心点的anchor box不是通过数学公式或者训练数据集生成的，而时由人主动设计的（这就感觉不够智能，很傻）。

2、通常均分分布在图片上（其本质和滑动窗口检测一样，都是在遍历图片）。

2、一个中心会对应多个 anchor box 。（数量也是认为设定的，不够智能，超参数设置）

anchor box 的数量和形状是怎么设置的？

1、数量和形状通常都是人为设定的，想设置多少就是多少。（YOLO 第一个版本的anchor box 形状是认为给定的，第二个版本中的 anchor box的形状是通过聚类来自动设计的。有效的降低了 框大小带来的loss值，测试得分会更高一点）

2、在YOLOv1里面会为每一幅图片分配49个cell，每一个cell 会分配 2 个anchor box，所以总共就会有98个 anchor box。

anchor box 的预测过程是怎样的？

预测过程分为2个部分，预测框的位置和框的类别。

将 anchor box 与 bounding box 匹配：

1、框位置的预测是通过比较IOU实现的，IOU越大表示预测的越好。

2、一幅图中所有的anchor box（abox）数目一定是大于等于 bounding box（bbox）的数量，只要这样才有可能预测到所有的 bbox。（不懂）

3、训练的时，一幅图片上会分配很多的 abox 和 bbox。

4、首选 为每一个 bbox 匹配一个最好的 abox（使用比较IOU的算法实现），所有的 bbox 配对完之后，一些剩余的 abox 会没有匹配（没有对应 bbox ）。（不懂）

5、为剩余的每一个 abox 分配 bbox（这些 bbox 之前已经和更好的abox匹配了）（不懂）

6、所有的匹配都要满足设置的IOU要求，没有匹配的 abox 被定义为负类 anchor box。（不懂）

为 anchor box 预测位置偏移量：

1、abox 的标注偏差是由匹配好的 abox 与 bbox 之间的偏差决定的。

2、没有匹配的 abox 被定义为负类 anchor box。

参考资料

https://zhuanlan.zhihu.com/p/63024247

https://blog.csdn.net/weixin_42419002/article/details/88792292