边框回归

最新推荐文章于 2022-07-12 23:01:54 发布
最新推荐文章于 2022-07-12 23:01:54 发布
阅读量313 收藏
点赞数
分类专栏： 深度学习
原文链接：https://blog.youkuaiyun.com/zijin0802034/article/details/77685438
版权

边框回归

边框回归是什么？

对于窗口一般使用四维向量（x，y，w，h）来表示，分别表示窗口的中心点坐标和宽高。对于图2，红色的框P代表原始的Proposal，绿色的框 G 代表目标的 Ground Truth， 我们的目标是寻找一种关系使得输入原始的窗口 P 经过映射得到一个跟真实窗口 G 更接近的回归窗口
在这里插入图片描述
在这里插入图片描述
边框回归怎么做？
在这里插入图片描述
线性回归就是给定输入的特征向量X，学习一组参数W，使得经过线性回归后的值跟真实值非常接近，即 Y ≈ WX 。那么 Bounding-box中我们的输入以及输出分别是什么呢？
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
为什么宽高尺寸会涉及这种形式？

解释设计的tx， ty为什么除以宽高， 为什么tw，th会有log形式。
首先CNN具有尺度不变性。
在这里插入图片描述
x,y 坐标除以宽高
在这里插入图片描述
宽高坐标Log形式
在这里插入图片描述
第一，(6, 7)两式对平移量除以宽和高的处理是为了做尺度归一化，因为大的box可能绝对偏移量会比小的box大，除以宽和高消除这种影响；第二，(8, 9)两式比值取对数是线性回归中的常见操作（参考对数线性回归），目的也是在一定程度上将数值的绝对变化转换为相对的变化。

为什么IoU较大，认为是线性变换？
在这里插入图片描述

边框回归原理
wchange7的博客
12-18 1139
bounding-box regression（边框回归原理） ![目标图像] 边框回归主要是因为region proposal或者anchors与ground-truth box的交并比（IoU）不高，没有比较精确地检测出object的位置，这时通过bounding-box regression就能得到一个接近ground-truth box的边界框。 边框一般使用4维向量（x,y,w,h）表...
边框回归(Bounding Box Regression)详解
热门推荐
南有乔木NTU的博客
08-31 20万+
Bounding-Box regression最近一直看检测有关的Paper, 从rcnn， fast rcnn, faster rcnn, yolo, r-fcn, ssd，到今年cvpr最新的yolo9000。这些paper中损失函数都包含了边框回归，除了rcnn详细介绍了，其他的paper都是一笔带过，或者直接引用rcnn就把损失函数写出来了。前三条网上解释比较多，后面的两条我看了很多pape
Faster RCNN原理介绍+bounding box 回归原理介绍
05-08
经常要做汇报，还要做PPT，所以上传一些自己做的PPT做个保留，有人下载那就更好啦！
深度学习之边框回归(Bounding Box Regression)
fenglepeng的博客
05-31 3761
从rcnn， fast rcnn, faster rcnn, yolo, r-fcn, ssd，到cvpr的yolo9000。这些paper中损失函数都包含了边框回归，除了rcnn详细介绍了，其他的paper都是一笔带过，或者直接引用rcnn就把损失函数写出来了。前三条网上解释比较多，后面的两条我看了很多paper，才得出这些结论。 为什么要边框回归？ 什么是边框回归？ 边框回归怎么做的？ 边框回归为什么宽高，坐标会设计这种形式？ 为什么边框回归只能微调，在离Ground Truth近的时候才能生效？
边框回归问题
baidu_38634017的博客
07-29 231
转载自：https://blog.youkuaiyun.com/zijin0802034/article/details/77685438 Bou...
边框回归（Bounding Box Regression）详解以及数学公式详解
weixin_44623637的博客
02-08 2112
为什么要边框回归？ 什么是边框回归？ 边框回归怎么做？ 边框回归宽高，坐标为什么这样设计？ 为什么边框回归 只能微调，在离Ground Truth近的时候才能有效？ 为什么要边框回归？ 这里引入别人的理解，如图： 对于上图，绿色的框表示Ground Truth, 红色的框为Selective Search提取的Region Proposal。那么即便红色的框被分类器识别为飞机，但是由于红色的...
深度图-人脸-边框回归.zip
04-18
# CNN 深度图人脸_边框回归 ------------------------------------------------------- # 第1步： 制作数据集， data_x ， 354*100*100*1， data_y ， 354*4 # tricks: 深度图数值归一化[0,1]，边框值归一化[0,1]，...
58.边框回归(Bounding Box Regression)详解 - 南有乔木NTU的博客 - 优快云博客1
08-03
边框回归(Bounding Box Regression)详解 边框回归是一种常用的目标检测技术，用于微调边框的位置和大小，以提高检测的准确性。其主要思想是学习一个映射关系，使得输入的Proposal窗口经过微调后，与真实窗口更接近...
目标检测--边框回归损失函数(IoU, GIoU, DIoU, CIoU)原理详解及代码实现
Gthan
07-12 4829
对目标检测边框回归的IoU, GIoU, DIoU, CIoU损失函数进行原理详解及代码实现
目标检测中边框回归的直观理解 bbox regression
hugegrunt的博客
05-01 6411
一般的目标检测算法的目的是在原图上生成若干个边界矩形框，bounding box（bbox），要求是生成的bbox尽可能的不多不少刚好完整包裹住目标物体。我们可以用一些方法来生候选边框，并且将这些候选框进行分类检测，将除了背景以外的框保留作为我们的输出。这些不在本文的重点关注内容里。本文关注的是当筛选出含有目标物体的边框之后，边框位置的精修问题。 本文中对算法说明的顺序可能和其他文章不同，我希望从更加直观的角度去理解这个算法。本文的算法以RCNN实现的bbox回归为参考。...
目标检测目标框回归函数对比
MALLAIN的博客
11-17 432
本文主要介绍了IOU、L1&L2&SmoothL1、GIOU、DIOU、CIOU损失函数，并说明了各损失函数的优缺点。 1.IOU Iou的就是交并比，预测框和真实框相交区域面积和合并区域面积的比值，计算公式如下，Iou作为损失函数的时候只要将其对数值输出就好了。 优点： 1.IOU作为距离时(比如：LIOU=1−IOUL_{IOU}=1-IOULIOU​=1−IOU），是一个度量。因为它包含了作为度量的所有属性，比如：非负性，不确定性对称性和三角不等性。 2.IOU有尺度不变性，这意味着
Bounding Box Regression的label为什么设计成对数形式
scut_salmon的博客
04-12 394
Bounding box regress这篇博客讲得很清楚https://blog.youkuaiyun.com/zijin0802034/article/details/77685438，但还是很疑惑为什么label设计成对数形式 原论文没有过多解释： 博客中的解释如下： 我的理解： bounding box regression就是在已知proposal特征的前提下，训练模型使模型可...
RCNN、FastRCNN、FasterRCNN、YOLO、SSD网络结构通俗解读（一）
夏之微风的博客
07-20 4285
YOLO
谈谈log，标准化，归一化与box-cox转换之间的联系与区别
Liao_Wenzhe的博客
08-10 4618
log化：可以对向左偏态，不满足正太分布的特征正态化。 z-score标准化：用的比较多，是最常用的标准化之一，从公式看其不太容易受异常值影响。 max-min最大最小归一化：最大特点是能把数据规整到0-1之间，但是最大最小值容易受到异常值影响。 box-cox转换，如下图（左上角的图就是log化），利用极大似然估计特征的偏态情况，并利用公式对其转换成近似的正太分布。如果左偏就用左上角的log进行转换，如果右偏态就用右下角的图示进行正太转换。 那为什么要将特征和标签正太化呢？可以拿简单的线性回归举例
Bounding-box regression详解（边框回归）
ytusdc的博客
11-22 2683
参考文章： 1、后面对边框回归做了自己的解释需要看一下 https://blog.youkuaiyun.com/zijin0802034/article/details/77685438/ 2、公式（1）-（4）的推导 https://blog.youkuaiyun.com/u014433413/article/details/78194855 1、为什么要做Bounding-box regression...
YOLO回归框后处理
tsy3718的博客
02-11 1471
以YOLOv1为例，共产生98个候选框 后处理第一步置信度过滤： 共有7x7x2=98 bboxes，假设一个类别为dog，将所有置信度小于0.2阈值(自设置)的概率全部抹0；上图中的每一列是置信度（存在目标的概率P(obj)）与类别概率（这里的类别概率是条件概率P(class | obj)）的乘积(cls score)。 后处理第二步非极大值抑制： 参考：https://www.bilibili.com/video/BV15w411Z7LG?p=5 补充1：NMS为什么不直接选择类别得分最大的？ 因为
【目标检测】Bounding Box Regression
图像研究猿的专栏
02-25 1万+
Bounding Box是目标检测中一个重要概念。常见格式是边界框左上角坐标、右下角坐标，即[xmin,ymin,xmax,ymax]；或者边界框中心坐标，宽高，即[x_center,y_center,w,h]。 Bounding Box Regression的作用 以下图为例，红色框表示Ground Truth, 蓝色框为网络输出的候选区域框Region Proposal。蓝色框被分类器识别...
史上最详细的Yolov3边框预测分析
逍遥王的博客
11-15 5万+
我们读yolov3论文时都知道边框预测的公式，然而难以准确理解为何作者要这么做，这里我就献丑来总结解释一下个人的见解，总结串联一下学习时容易遇到的疑惑，期待对大家有所帮助，理解错误的地方还请大家批评指正，我只是个小白哦，发出来也是为了与大家多多交流，看看理解的对不对。 论文中边框预测公式如下： 其中，Cx,Cy是feature map中grid cell的左上角坐标，在yolov3中每个g...
Faster RCNN原理篇（一）——Bounding-Box Regression边界框回归的学习和理解
Yale-曼陀罗
12-14 5299
Bounding-Box Regression边界框回归的学习和理解引言1. （Why?）为何要做边框回归？2. （What?）什么是边框回归？3. （How?）如何实现边框回归？4. 边框回归为什么使用相对坐标差？5. 为什么边框回归只能微调，且只有距离Ground Truth较近的时候才能生效？ 引言 由于Faster RCNN = RPN + Fast RCNN，因此，为了学习和理解Faster RCNN，本人研究了RPN的实现原理，在学习RPN实现原理的过程中，又不可避免地开始深专Bounding-
yolov5s边框回归
最新发布
02-26
### YOLOv5s 边框回归实现原理 YOLOv5s中的边框回归机制旨在提高模型对于物体位置预测的准确性。传统方法如原始IoU损失和GIoU损失存在一定的局限性，无法完全满足复杂场景下高精度定位的需求[^2]。 为了克服这些不足之处，YOLOv5引入了一种新的边界框回归策略——CIoU（Complete Intersection over Union），该度量不仅考虑了两个矩形之间的重叠面积比例，还加入了中心点距离以及宽高中心化程度的影响因子，从而使得优化过程更加合理有效。 具体来说，在YOLOv5中，边框坐标\(b_x, b_y\)通过Sigmoid函数映射到0~1区间内再偏移至网格单元格的位置；而宽度高度则基于预设先验框尺寸经过指数变换得到最终预测值： \[ \begin{aligned} b_{x} &= \sigma(t_{x}) + c_{x}\\ b_{y} &= \sigma(t_{y}) + c_{y}\\ b_{w} &= p_{w}e^{t_{w}}\\ b_{h} &= p_{h}e^{t_{h}} \end{aligned} \] 其中，\(c_x,c_y\)表示当前grid cell左上角相对于图像原点的坐标；\(p_w,p_h\)代表预先设定好的anchor box大小；\(t_x,t_y,t_w,t_h\)是由网络输出并用于调整上述参数的具体数值[^4]。 ```python def get_bbox(pred, anchors): """ Convert model predictions to bounding boxes. Args: pred (Tensor): Model output tensor with shape [batch_size, num_anchors * grid_height * grid_width, 5 + classes]. anchors (list of tuples): List containing anchor dimensions. Returns: Tensor: Bounding box coordinates and confidence scores. """ batch_size = pred.shape[0] num_anchors = len(anchors) # Extract the center coordinate offsets from sigmoid function results cx = torch.sigmoid(pred[..., 0]) cy = torch.sigmoid(pred[..., 1]) pw = torch.tensor([a[0] for a in anchors]).view((1, num_anchors, 1)) ph = torch.tensor([a[1] for a in anchors]).view((1, num_anchors, 1)) tw = pred[..., 2] th = pred[..., 3] bw = pw * torch.exp(tw) bh = ph * torch.exp(th) return torch.stack([cx, cy, bw, bh], dim=-1).reshape(batch_size, -1, 4) ``` ### 常见问题解答 当应用YOLOv5进行目标检测时可能会遇到如下几个方面的问题： - **训练初期不稳定**：由于初始权重随机初始化可能导致某些样本难以收敛，建议采用更稳健的数据增强方式或加载预训练模型作为起点。 - **小目标检测效果差**：可以尝试增加多尺度输入或者调整特征金字塔结构来改善这一情况。 - **过拟合现象严重**：适当减少学习率、加入正则项约束以及扩大数据集规模有助于缓解此状况。 - **推理速度慢**：针对部署环境特点做针对性优化比如量化感知训练、剪枝等手段可显著提升运行效率。
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