详解目标检测之anchor-box生成

最新推荐文章于 2022-12-11 11:53:50 发布
最新推荐文章于 2022-12-11 11:53:50 发布
阅读量993 收藏 1
点赞数
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_38632246/article/details/105580433
版权

无论前端backbone如何，总会输出一个feature map 如何在这个feature map上得到pred的 box呢？

第一步先得到 feature map上所有的 中心点x，y

举例：
以特征图大小（4， 4 ，5， 6）表示，4为batch，4 为channel， 5为h, 6为w

#以feature的大小5*6 生成单位网格
import torch
yy, xx =torch.meshgrid(torch.arange(5), torch.arange(6)
print(yy,xx)
#得到如下
tensor([[0, 0, 0, 0, 0, 0],
        [1, 1, 1, 1, 1, 1],
        [2, 2, 2, 2, 2, 2],
        [3, 3, 3, 3, 3, 3],
        [4, 4, 4, 4, 4, 4]]) 
tensor([[0, 1, 2, 3, 4, 5],
        [0, 1, 2, 3, 4, 5],
        [0, 1, 2, 3, 4, 5],
        [0, 1, 2, 3, 4, 5],
        [0, 1, 2, 3, 4, 5]])
#堆叠起来
mesh = torch.stack([xx, yy], dim=0)
print(mesh)
#输出如下，shape为[2, 5, 6]
tensor([[[0, 1, 2, 3, 4, 5],
         [0, 1, 2, 3, 4, 5],
         [0, 1, 2, 3, 4, 5],
         [0, 1, 2, 3, 4, 5],
         [0, 1, 2, 3, 4, 5]],

        [[0, 0, 0, 0, 0, 0],
         [1, 1, 1, 1, 1, 1],
         [2, 2, 2, 2, 2, 2],
         [3, 3, 3, 3, 3, 3],
         [4, 4, 4, 4, 4, 4]]])
 #增加一个batch 位置的维度   shape为  [4, 2, 5, 6] 
mesh = mesh.unsqueeze(0).repeat(4,1,1,1).float() 
print(mesh)
tensor([[[[0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.]],

         [[0., 0., 0., 0., 0., 0.],
          [1., 1., 1., 1., 1., 1.],
          [2., 2., 2., 2., 2., 2.],
          [3., 3., 3., 3., 3., 3.],
          [4., 4., 4., 4., 4., 4.]]],


        [[[0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.]],

         [[0., 0., 0., 0., 0., 0.],
          [1., 1., 1., 1., 1., 1.],
          [2., 2., 2., 2., 2., 2.],
          [3., 3., 3., 3., 3., 3.],
          [4., 4., 4., 4., 4., 4.]]],


        [[[0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.]],

         [[0., 0., 0., 0., 0., 0.],
          [1., 1., 1., 1., 1., 1.],
          [2., 2., 2., 2., 2., 2.],
          [3., 3., 3., 3., 3., 3.],
          [4., 4., 4., 4., 4., 4.]]],


        [[[0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.],
          [0., 1., 2., 3., 4., 5.]],

         [[0., 0., 0., 0., 0., 0.],
          [1., 1., 1., 1., 1., 1.],
          [2., 2., 2., 2., 2., 2.],
          [3., 3., 3., 3., 3., 3.],
          [4., 4., 4., 4., 4., 4.]]]])
#### 然后 以预设定的anchor box 比率生成

anchor_wh=[
[ 5.0174, 15.0521],
[ 7.0833, 21.2500],
[10.0347, 24.7917],
[20.0694, 18.8889]]

anchor_offset_mesh = anchor_wh.unsqueeze(-1).unsqueeze(-1).repeat(1, 1, nGh,nGw)
print(anchor_offset_mesh)
tensor([[[[ 5.0174,  5.0174,  5.0174,  5.0174,  5.0174,  5.0174],
          [ 5.0174,  5.0174,  5.0174,  5.0174,  5.0174,  5.0174],
          [ 5.0174,  5.0174,  5.0174,  5.0174,  5.0174,  5.0174],
          [ 5.0174,  5.0174,  5.0174,  5.0174,  5.0174,  5.0174],
          [ 5.0174,  5.0174,  5.0174,  5.0174,  5.0174,  5.0174]],

         [[15.0521, 15.0521, 15.0521, 15.0521, 15.0521, 15.0521],
          [15.0521, 15.0521, 15.0521, 15.0521, 15.0521, 15.0521],
          [15.0521, 15.0521, 15.0521, 15.0521, 15.0521, 15.0521],
          [15.0521, 15.0521, 15.0521, 15.0521, 15.0521, 15.0521],
          [15.0521, 15.0521, 15.0521, 15.0521, 15.0521, 15.0521]]],


        [[[ 7.0833,  7.0833,  7.0833,  7.0833,  7.0833,  7.0833],
          [ 7.0833,  7.0833,  7.0833,  7.0833,  7.0833,  7.0833],
          [ 7.0833,  7.0833,  7.0833,  7.0833,  7.0833,  7.0833],
          [ 7.0833,  7.0833,  7.0833,  7.0833,  7.0833,  7.0833],
          [ 7.0833,  7.0833,  7.0833,  7.0833,  7.0833,  7.0833]],

         [[21.2500, 21.2500, 21.2500, 21.2500, 21.2500, 21.2500],
          [21.2500, 21.2500, 21.2500, 21.2500, 21.2500, 21.2500],
          [21.2500, 21.2500, 21.2500, 21.2500, 21.2500, 21.2500],
          [21.2500, 21.2500, 21.2500, 21.2500, 21.2500, 21.2500],
          [21.2500, 21.2500, 21.2500, 21.2500, 21.2500, 21.2500]]],


        [[[10.0347, 10.0347, 10.0347, 10.0347, 10.0347, 10.0347],
          [10.0347, 10.0347, 10.0347, 10.0347, 10.0347, 10.0347],
          [10.0347, 10.0347, 10.0347, 10.0347, 10.0347, 10.0347],
          [10.0347, 10.0347, 10.0347, 10.0347, 10.0347, 10.0347],
          [10.0347, 10.0347, 10.0347, 10.0347, 10.0347, 10.0347]],

         [[24.7917, 24.7917, 24.7917, 24.7917, 24.7917, 24.7917],
          [24.7917, 24.7917, 24.7917, 24.7917, 24.7917, 24.7917],
          [24.7917, 24.7917, 24.7917, 24.7917, 24.7917, 24.7917],
          [24.7917, 24.7917, 24.7917, 24.7917, 24.7917, 24.7917],
          [24.7917, 24.7917, 24.7917, 24.7917, 24.7917, 24.7917]]],


        [[[20.0694, 20.0694, 20.0694, 20.0694, 20.0694, 20.0694],
          [20.0694, 20.0694, 20.0694, 20.0694, 20.0694, 20.0694],
          [20.0694, 20.0694, 20.0694, 20.0694, 20.0694, 20.0694],
          [20.0694, 20.0694, 20.0694, 20.0694, 20.0694, 20.0694],
          [20.0694, 20.0694, 20.0694, 20.0694, 20.0694, 20.0694]],

         [[18.8889, 18.8889, 18.8889, 18.8889, 18.8889, 18.8889],
          [18.8889, 18.8889, 18.8889, 18.8889, 18.8889, 18.8889],
          [18.8889, 18.8889, 18.8889, 18.8889, 18.8889, 18.8889],
          [18.8889, 18.8889, 18.8889, 18.8889, 18.8889, 18.8889],
          [18.8889, 18.8889, 18.8889, 18.8889, 18.8889, 18.8889]]]])

anchor_offset_mesh=torch.cat([mesh2, anchor_offset_mesh],dim=1)
f=anchor_offset_mesh.permute(0,2,3,1).contiguous().view(-1, 4) 
print(f)
# 生成 x,y, w,h 格式的bounding box
tensor([[ 0.0000,  0.0000,  5.0174, 15.0521],
        [ 1.0000,  0.0000,  5.0174, 15.0521],
        [ 2.0000,  0.0000,  5.0174, 15.0521],
        [ 3.0000,  0.0000,  5.0174, 15.0521],
        [ 4.0000,  0.0000,  5.0174, 15.0521],
        [ 5.0000,  0.0000,  5.0174, 15.0521],
        [ 0.0000,  1.0000,  5.0174, 15.0521],
        [ 1.0000,  1.0000,  5.0174, 15.0521],
        [ 2.0000,  1.0000,  5.0174, 15.0521],
        [ 3.0000,  1.0000,  5.0174, 15.0521],
        [ 4.0000,  1.0000,  5.0174, 15.0521],
        [ 5.0000,  1.0000,  5.0174, 15.0521],
        [ 0.0000,  2.0000,  5.0174, 15.0521],
        [ 1.0000,  2.0000,  5.0174, 15.0521],
        [ 2.0000,  2.0000,  5.0174, 15.0521],
        [ 3.0000,  2.0000,  5.0174, 15.0521],
        [ 4.0000,  2.0000,  5.0174, 15.0521],
        [ 5.0000,  2.0000,  5.0174, 15.0521],
        [ 0.0000,  3.0000,  5.0174, 15.0521],
        [ 1.0000,  3.0000,  5.0174, 15.0521],
        [ 2.0000,  3.0000,  5.0174, 15.0521],
        [ 3.0000,  3.0000,  5.0174, 15.0521],
        [ 4.0000,  3.0000,  5.0174, 15.0521],
        [ 5.0000,  3.0000,  5.0174, 15.0521],
        [ 0.0000,  4.0000,  5.0174, 15.0521],
        [ 1.0000,  4.0000,  5.0174, 15.0521],
        [ 2.0000,  4.0000,  5.0174, 15.0521],
        [ 3.0000,  4.0000,  5.0174, 15.0521],
        [ 4.0000,  4.0000,  5.0174, 15.0521],
        [ 5.0000,  4.0000,  5.0174, 15.0521],
        [ 0.0000,  0.0000,  7.0833, 21.2500],
        [ 1.0000,  0.0000,  7.0833, 21.2500],
        [ 2.0000,  0.0000,  7.0833, 21.2500],
        [ 3.0000,  0.0000,  7.0833, 21.2500],
        [ 4.0000,  0.0000,  7.0833, 21.2500],
        [ 5.0000,  0.0000,  7.0833, 21.2500],
        [ 0.0000,  1.0000,  7.0833, 21.2500],
        [ 1.0000,  1.0000,  7.0833, 21.2500],
        [ 2.0000,  1.0000,  7.0833, 21.2500],
        [ 3.0000,  1.0000,  7.0833, 21.2500],
        [ 4.0000,  1.0000,  7.0833, 21.2500],
        [ 5.0000,  1.0000,  7.0833, 21.2500],
        [ 0.0000,  2.0000,  7.0833, 21.2500],
        [ 1.0000,  2.0000,  7.0833, 21.2500],
        [ 2.0000,  2.0000,  7.0833, 21.2500],
        [ 3.0000,  2.0000,  7.0833, 21.2500],
        [ 4.0000,  2.0000,  7.0833, 21.2500],
        [ 5.0000,  2.0000,  7.0833, 21.2500],
        [ 0.0000,  3.0000,  7.0833, 21.2500],
        [ 1.0000,  3.0000,  7.0833, 21.2500],
        [ 2.0000,  3.0000,  7.0833, 21.2500],
        [ 3.0000,  3.0000,  7.0833, 21.2500],
        [ 4.0000,  3.0000,  7.0833, 21.2500],
        [ 5.0000,  3.0000,  7.0833, 21.2500],
        [ 0.0000,  4.0000,  7.0833, 21.2500],
        [ 1.0000,  4.0000,  7.0833, 21.2500],
        [ 2.0000,  4.0000,  7.0833, 21.2500],
        [ 3.0000,  4.0000,  7.0833, 21.2500],
        [ 4.0000,  4.0000,  7.0833, 21.2500],
        [ 5.0000,  4.0000,  7.0833, 21.2500],
        [ 0.0000,  0.0000, 10.0347, 24.7917],
        [ 1.0000,  0.0000, 10.0347, 24.7917],
        [ 2.0000,  0.0000, 10.0347, 24.7917],
        [ 3.0000,  0.0000, 10.0347, 24.7917],
        [ 4.0000,  0.0000, 10.0347, 24.7917],
        [ 5.0000,  0.0000, 10.0347, 24.7917],
        [ 0.0000,  1.0000, 10.0347, 24.7917],
        [ 1.0000,  1.0000, 10.0347, 24.7917],
        [ 2.0000,  1.0000, 10.0347, 24.7917],
        [ 3.0000,  1.0000, 10.0347, 24.7917],
        [ 4.0000,  1.0000, 10.0347, 24.7917],
        [ 5.0000,  1.0000, 10.0347, 24.7917],
        [ 0.0000,  2.0000, 10.0347, 24.7917],
        [ 1.0000,  2.0000, 10.0347, 24.7917],
        [ 2.0000,  2.0000, 10.0347, 24.7917],
        [ 3.0000,  2.0000, 10.0347, 24.7917],
        [ 4.0000,  2.0000, 10.0347, 24.7917],
        [ 5.0000,  2.0000, 10.0347, 24.7917],
        [ 0.0000,  3.0000, 10.0347, 24.7917],
        [ 1.0000,  3.0000, 10.0347, 24.7917],
        [ 2.0000,  3.0000, 10.0347, 24.7917],
        [ 3.0000,  3.0000, 10.0347, 24.7917],
        [ 4.0000,  3.0000, 10.0347, 24.7917],
        [ 5.0000,  3.0000, 10.0347, 24.7917],
        [ 0.0000,  4.0000, 10.0347, 24.7917],
        [ 1.0000,  4.0000, 10.0347, 24.7917],
        [ 2.0000,  4.0000, 10.0347, 24.7917],
        [ 3.0000,  4.0000, 10.0347, 24.7917],
        [ 4.0000,  4.0000, 10.0347, 24.7917],
        [ 5.0000,  4.0000, 10.0347, 24.7917],
        [ 0.0000,  0.0000, 20.0694, 18.8889],
        [ 1.0000,  0.0000, 20.0694, 18.8889],
        [ 2.0000,  0.0000, 20.0694, 18.8889],
        [ 3.0000,  0.0000, 20.0694, 18.8889],
        [ 4.0000,  0.0000, 20.0694, 18.8889],
        [ 5.0000,  0.0000, 20.0694, 18.8889],
        [ 0.0000,  1.0000, 20.0694, 18.8889],
        [ 1.0000,  1.0000, 20.0694, 18.8889],
        [ 2.0000,  1.0000, 20.0694, 18.8889],
        [ 3.0000,  1.0000, 20.0694, 18.8889],
        [ 4.0000,  1.0000, 20.0694, 18.8889],
        [ 5.0000,  1.0000, 20.0694, 18.8889],
        [ 0.0000,  2.0000, 20.0694, 18.8889],
        [ 1.0000,  2.0000, 20.0694, 18.8889],
        [ 2.0000,  2.0000, 20.0694, 18.8889],
        [ 3.0000,  2.0000, 20.0694, 18.8889],
        [ 4.0000,  2.0000, 20.0694, 18.8889],
        [ 5.0000,  2.0000, 20.0694, 18.8889],
        [ 0.0000,  3.0000, 20.0694, 18.8889],
        [ 1.0000,  3.0000, 20.0694, 18.8889],
        [ 2.0000,  3.0000, 20.0694, 18.8889],
        [ 3.0000,  3.0000, 20.0694, 18.8889],
        [ 4.0000,  3.0000, 20.0694, 18.8889],
        [ 5.0000,  3.0000, 20.0694, 18.8889],
        [ 0.0000,  4.0000, 20.0694, 18.8889],
        [ 1.0000,  4.0000, 20.0694, 18.8889],
        [ 2.0000,  4.0000, 20.0694, 18.8889],
        [ 3.0000,  4.0000, 20.0694, 18.8889],
        [ 4.0000,  4.0000, 20.0694, 18.8889],
        [ 5.0000,  4.0000, 20.0694, 18.8889]])
Rock_Huang~
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
锚框(anchor box)/先验框(prior bounding box)概念介绍及其生成
qq_46110834的博客
12-19 4万+
一.锚框(anchor box)/先验框(prior bounding box) 在众多经典的目标检测模型中，均有先验框的说法，有的paper(如Faster RCNN)中称之为anchor(锚点)，有的paper(如SSD)称之为prior bounding box(先验框)，实际上是一个概念，特此说明。 1.锚框的作用 对于目标检测任务，有这样一种经典解决方案：遍历输入图像上所有可能的像素框，然后选出正确的目标框，并对位置和大小进行调整就可以完成目标检测任务。这些进行预测的像素框就叫目标框。这些目标框通
目标检测 --- Anchor的生成
qq_44804542的博客
04-14 1757
1.Faster rcnn 1.根据尺寸、比例生成基础的anchor 与特征图大小、步长无关，中心点坐标为base_size的一半 class AnchorGenerator(object): #生成基础的anchor,与特征图无关 def __init__(self, base_size, scales, ratios, scale_major=True, ctr=None): self.base_size = base_size #anchor 基础尺寸 sel
YOLOv5s 目标检测算法Anchor box 的尺寸优化-之三
最新发布
张伟的专栏
12-11 861
每个粒子的位置用 K ×2 的矩阵表示，每个聚类中心为宽 w高 h 的矩形框，jC 为某一类别的数据向量，jd 表示粒子与聚类中心的距离和，w 取 1，1 2c=c =2。如下图所示出现两个明显的拐点，考虑到更高召回率因此采用 K 值为 9 因此生成 9个 Anchor boxes 框，分别为（29x48），（32x84），（49x46），（50x103），（68x49），（90x83）（128x108），（165x179），（290x326）。形成胳膊肘这样的一个拐点是聚类性能较好的点。
anchor box 生成
这些个事儿
06-26 949
代码如下：调用generate_anchors（）函数 # -------------------------------------------------------- # Faster R-CNN # Copyright (c) 2015 Microsoft # Licensed under The MIT License [see LICENSE for details] # Wri...
理解anchor box究竟是如何生成的
cc__cc__的博客
03-25 922
1.相关参数设定 在经过特征提取网络之后得到的特征图w和h大小均会变成原图w和h的n分之一，即特征图上的1个点会对应原图中n×n大小的区域。例如，VGG16网络中有4个池化层，经过4次降采样，所以n=base_size=2^4=16。 假设anchor box的不同ratios分别为[1:1,1:2,2:1] 假设anchor box的scale设为8（可设为多个，下文以8为例） 2.代码 这...
One-stage目标检测最强算法 ExtremeNet源码
02-18
- **Anchor-Free**：与传统两阶段目标检测器不同， ExtremeNet 不需要预先设定 anchor boxes，简化了网络结构。 - **Post-Processing**：边界框的生成是在后处理阶段完成的，通过极点坐标利用几何关系计算出物体的...
基于megengine的FCOS的目标检测模型，主干网络ResNet18
10-17
FCOS避免了传统的 anchor box 设计，简化了目标检测流程，提高了检测速度和精度。 **三、ResNet18主干网络** ResNet系列网络，尤其是ResNet18，是深度学习领域非常经典和广泛使用的卷积神经网络结构。ResNet18包含...
（RegionProposal Network)RPN网络结构及详解 - 凹酱的DEEP LEARNING - CSDN博客1
08-04
Region Proposal Network（RPN）是 Faster R-CNN 中一个关键的组件，它负责生成候选建议区域，从而作为后续的目标检测算法的输入。在这篇文章中，我们将详细介绍 RPN 的网络结构和工作机理。 一、anchors anchor...
VC数字图像模式识别技术详解源程序之人脸检测
04-17
在"VC数字图像模式识别技术详解源程序之人脸检测"中，我们可能会看到使用经典的Haar特征级联分类器或现代深度学习模型如卷积神经网络（CNN）进行人脸检测的方法。 1. Haar特征级联分类器：这是早期人脸检测的经典...
YOLOV3.pptx
12-15
通过K-means算法，可以生成多个先验框，以便更好地检测目标对象。 YOLOV3算法是一种实时目标检测算法，它使用卷积神经网络提取图片特征，并对候选区域的位置和类别进行预测。YOLOV3算法可以应用于各种图像识别和...
关于Faster-Rcnn中的AnchorBox的一些理解
热门推荐
绝望的乐园
04-14 2万+
最近在看faster-rcnn的源码，写一写笔记~ 之前看论文的时候，anchorbox这个东西，虽然大概意思是理解了，但是还是有很多细节没想明白，之前读代码的时候又有了更深的理解。 首先，faster-rcnn在计算anchorbox之前大概是下面这几步： 为了更方便理解，我列出了实际情况中一个图片的输入对应的过程中的各个输出结果的size，而实际情况中，输入的size是不确定的，re...
SSD的anchor_box计算
m0_37188294的博客
12-06 2579
转自：http://www.pianshen.com/article/129360549/ 写的很好很清晰。 防删防遗忘，有问题请联系 看过SSD的tensorflow实现的小伙伴一定对anchor_box的计算很是好奇, 网上也是五花八门的解释,今天我结合源码和原理来解释一下. default_params = SSDParams( img_shape=(300, 300),...
Faster-RCNN anchor box Pytorch 锚点生成 （含代码）
史蒂夫方
07-06 4271
Faster RCNN 的anchor box 是如何生成的？ 简单科普一下 anchor box 在Faster RCNN 中就是像以下这样的框框 可以分成3种长宽比，3种缩放比， 以这样的配置来组合成一组anchor框组 那么可以很容易的看出一组就是3x3(也就是9个)个anchor box所组成 那么这9个anchor box是如果画在图像上的呢？ 可以透过自定义的px, py 中心点来计算...
目标检测种如何生成 anchor的 代码
wmsbeijing的专栏
06-21 3703
#功能描述：生成多尺度、多宽高比的anchors。 # 尺度为：128,256,512; 宽高比为：1:2,1:1,2:1 import numpy as np #提供矩阵运算功能的库 #生成anchors总函数：ratios为一个列表，表示宽高比为：1:2,1:1,2:1 #2**x表示:2^x，scales:[2^3 2^4 2^5],即:[8 16 32] def g...
【深度学习：目标检测】 faster rcnn RPN之anchor(generate_anchors)源码解析
荪荪的博客
10-07 1万+
转载：http://blog.csdn.net/xzzppp/article/details/52317863 英文原文：faste rcnn。其中生成RPN(Regional proposal network)的Python代码解析 本代码主要用于：生成尺度为：128,256,512; 宽高比为：1:2,1:1,2:1的anchor [python]view
目标检测中的Anchor Box算法
ybdesire的专栏
09-26 1万+
引入 无论是基于滑动窗口，还是基于网格YOLO的目标检测算法，都有可能存在同一个问题：有可能一个BOX中有多个目标，如下图所示： 这样的图中，行人和车同时存在，并且他们的中心位置都位于同一个网格中。这种情况下，传统检测方法的输出，就无法胜任了。怎么解决这个问题呢？ Anchor Box算法 对于这个例子，我们引入Anchor Box，如下图所示，我们这里只用两个Anchor Box，说明同一个网...
目标检测中的Anchor Box算法理解
zhe_csdn的博客
06-27 1566
https://blog.csdn.net/ybdesire/article/details/82860607
AABO：自适应最优化Anchor设置，性能榨取的最后一步 | ECCV 2020
AI科技大本营
09-21 3863
编译 |VincentLee来源|晓飞的算法工程笔记Introduction目前，主流的目标检测算法使用多种形状的anchor box作为初始预测，然后对anchor box进行回...
anchor box 是如何确定的?
轮子去哪儿了
03-25 4242
文章目录anchor box 是如何确定的anchor box 是如何确定的?anchor box 框的位置是怎么设置的？anchor box 的数量和形状是怎么设置的？anchor box 的预测过程是怎样的？ anchor box 是如何确定的 anchor box 是如何确定的? anchor box 框的位置是怎么设置的？ 通常一个对象或者说一个中心点的 anchor box 不是通过数...
7-机器学习系列（7）：目标检测之--YOLO算法原理及python实现1
08-03
- **Anchorbox**：预先定义的一系列固定大小的边界框，YOLO利用这些预设的框快速匹配物体，提高了检测速度。 - **候选区域（Region Proposals）**：虽然不是YOLO的基本组成部分，但在某些改进版本中，如YOLOv3，会...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值