本文介绍了目标检测网络中的Anchor（先验框）概念，包括其在YOLO中的作用和重要性。解释了为何引入Anchor以帮助模型更好地学习目标类别、位置和大小。讨论了不同尺寸和长宽比的Anchor提高交并比（IoU）的原因，并探讨了Anchor尺寸的选择方法，如人为经验、k-means聚类和作为超参数学习。
目标检测网络（Faster RCNN、SSD、YOLO v2&v3等）中，均有先验框的说法，Faster RCNN中称之为anchor(锚点)，SSD称之为prior bounding box(先验框)，实际上是一个概念。Anchor设置的合理与否，极大的影响着最终模型检测性能的好坏。
1. 什么是Anchor？
一句话概括——提前在图像上预设好的不同大小，不同长宽比的框，先验框示意如下：
2. 为什么引入Anocher？
使得模型更容易学习。
目标检测中模型不仅需要学习目标的类别，更需要学习到目标的位置和大小，这不是一个简单的任务。举个简单的例子。
YOLOv1是较早的one-stage目标检测方法（YOLOv1没有设计Anocher)，它最后采用全连接层直接对边界框进行预测，由于各个图
最低0.47元/天 解锁文章
扫一扫
1496
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
