关于RCNN中Bounding-box regression的个人理解

前言

RCNN可以说是深度学习应用到目标检测领域一个不小的贡献。最近看了RNN的文章，对里面的Bounding-box regression回归不甚理解，google一番，把学到的东西写在这里。
参考的文章。

为啥要回归

鉴于bounding box太长，下面简写为bb，bounding box regression 简写为bbr。

首先，原始的bb是用selective research选出来的，这相当于是外部的算法，硬加到了CNN中。当然，经过一大堆的过滤和NMS（非最大值抑制），我们可以认为一张图就得到了一个“暂时最优”的bb。也就是detection暂时的工作结果。
但是，这样就可以了吗？以下图为例：

红色框是我们预先propose出来的。绿色的框是Ground truce，也就是label，是最优的。这两个框显然不太重合。那么问题来了，如果有一种办法，能够让我们在经过了一大堆CNN计算之后，得到的这个“暂时最优” 的框“挪动” 那么一下，更接近Ground truce，岂不是美滋滋。

怎么“挪动”

挪动这个词只是形象的说法。其实就是平移+缩放。

令$P=\lbrace P_x, P_y, P_w, P_h\rbrace$ 表示我们的“暂时最优” 框。x、y表示框中心的坐标，w、h表示宽和高。

令$G=\lbrace G_x, G_y, G_w, G_h\rbrace$ 表示Ground truth。

令$\hat G=\lbrace \hat G_x, \hat G_y, \hat G_w, \hat G_h\rbrace$ 表示我们 变换后 得到的框。

那么平移我们可以表示为：

G^x=Px