Single Bounding Box Regression

最新推荐文章于 2023-05-01 21:11:34 发布

Daniel2333

最新推荐文章于 2023-05-01 21:11:34 发布

9600

分类专栏： caffe RCNN 文章标签： Regression BBox

本文链接：https://blog.csdn.net/weixin_35653315/article/details/54571681

版权

caffe 同时被 2 个专栏收录

5 篇文章 0 订阅

订阅专栏

RCNN

2 篇文章 0 订阅

订阅专栏

输入输出

Bounding Box Regressor 训练过程的输入由两部分组成:

data:原图或其feature
label: ground truth bounding box.

regression输出为一组可以确定 $n$ 个bounding box的数值. 数值涵义由label决定.
本文讨论 $n =1$ 的情况, 即Single box regression: 一张图片回归一个bounding box.

典型的应用出现在RCNN: Proposal太大时, 需要缩小范围以更精确的框出目标物体. 它的regressor的输入为一个proposal region, 输出为一个bounding box.

一个region由一个四维向量表示: $P = (P_x, P_y, W, H)$ , 其中, $(P_x, P_y)$ 为中心点的位置(RCNN)或左上角的位置(Fast RCNN), $(W, H)$ 为它的宽和高. 它对应的bbox ground truth由 $G = (G_x, G_y, G_w, G_h)$ 表示, 各参数的涵义与 $P$ 类似.

L2 Loss

用 $f(P)$ 表示regressor的输出, 最简单粗暴的loss可以表示为:

L * = (f * (P) - G *) 2

$L_* = (f_*(P) - G_*)^2$
其中,

∗ $*$ 代表

x,y,w,h $x, y, w, h$ , 整个loss :

L=Lx+Ly+Lw+Lh $L = L_x + L_y + L_w + L_h$ .
也就是说直接预测bbox的绝对坐标与绝对长度. 但是这样会出现一个问题: loss的大小会受到图片大小的影响, 不大合理. 例如, 当ground truth 分别为

(100,100,200,200) $(100,100, 200, 200)$ ,

(10,10,20,20) $(10, 10, 20, 20)$ 时, 假如分别得到

(90,90,200,200) $(90, 90, 200, 200)$ ,

(8,8,20,20) $(8, 8, 20, 20)$ 的bbox预测值. 那么前者对应的loss会远大于后者, 但是从实际情况上来看,

100−90100=0.1,10−810=0.2 $\frac {100 - 90}{100} = 0.1, \frac{10 - 8}{10} = 0.2$ , 前者的相对误差要小于后者. 所以需要一个规范化(normalization)处理. 若在loss上规范化:

L x = (f x ( P ) - G x ) W) 2

$L_x = (\frac {f_x(P) - G_x)}{W})^2$

L y = (f y ( P ) - G y ) H) 2

$L_y = (\frac {f_y(P) - G_y)}{H})^2$

L w = (f w ( P ) - G w ) W) 2

$L_w = (\frac {f_w(P) - G_w)}{W})^2$

L h = (f h ( P ) - G h ) H) 2

$L_h = (\frac {f_h(P) - G_h)}{H})^2$
其中,

W,H $W, H$ 分别为输入图片的宽与高.
这样loss是不受绝对大小的影响了, 但是还有一个问题:

f(P) $f(P)$ 直接输出了绝对距离, 这种输出值是没有上下限的. 目测会让训练过程的收敛变得困难甚至不可能.(个人推测, 未验证/考证.). 另外, 学习速率的选择也会变得困难. 所以, 规范化操作要在label上进行. 即, 将回归目标规范化, 例如RCNN中使用的target为:
这里写图片描述