Bounding Box Regression的label为什么设计成对数形式

最新推荐文章于 2023-01-24 18:48:02 发布
最新推荐文章于 2023-01-24 18:48:02 发布
阅读量404 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 目标检测 文章标签： 目标检测 bounding box regression
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.youkuaiyun.com/scut_salmon/article/details/89246004
该博客探讨了在目标检测中，为什么bounding box regression的label通常采用对数形式。作者指出，平移量除以原始宽高是为了按比例平移，而放缩比例取对数可以将小于1和大于1的值映射到正负区间，有利于模型学习。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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，训练模型使模型可以根据特征对proposal进行平移和放缩。

平移量除以原始宽高

如博客上所说，proposal平移多少若不除以原来的宽高，相同特征的平移量就都是相同的，这会显然不合理，应该按照原图尺寸按比例平移

放缩比例取对数

放缩比例肯定是大于0的，只是大于1还是小于1的区别，个人觉得没必要如博客所说限制尺度大于0，反而应该让放缩比例（label）分布有正有负。满足这一操作的运算当然是取对数了，小于1则label为负，大于1则label为正

最低0.47元/天 解锁文章

200万优质内容无限畅学
小知识点系列(四) 本文(1万字) | 解析Bounding Box Regression | 边界框回归 |
专注于人工智能学习，总结
12-28 987
大家一般都是从RCNN开始了解Bounding Box Regression的，所以这里简单回顾一下RCNN RCNN算法流程可分为4步： 1.一整图像生成1K~2K个候选区域（使用Selective Search方法） 2.对每个候选框区域使用深度网络提取特征 3.特征送入每一类的SVM分类器，判别是否属于该类
目标检测-Faster RCNN论文总结（RPN）
算法之美
11-27 926
总结Faster R-CNN论文重点，RPN网络大解密，梳理基本知识，总结重点知识点，一篇文章搞懂Faster R-CNN。
边框回归
qq_43152949的博客
10-21 318
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 边框回归怎么做？ 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...
边界框回归 Bounding-Box Regression
WHS-_-2022的博客
01-24 2927
边界框回归详解
浅谈回归Regression（一）
weixin_33849215的博客
01-13 273
一、什么是回归？ 孩子的身高是否与父母有关？ 实际上，父母和孩子的身高是受到回归效应影响的。在时间纵轴上受影响、具有随机性的事物，无不遵循这一规律。 只要数据足够大，人类的身高或者智商，都有趋于平均值的回归性。 1.1 回归与函数逼近 function approximation or regression P.S. Reinforcement learning 以及 Regression 均是被...
回归树学习小记 RegressionTree
很吵请安静
02-22 1099
不管是分类树还是回归树，首先要明确的是，他们使用的特征即可是连续的也可以是离散的，label 是连续值还是类别决定了决策树是分类树还是回归树。 下面是李航的统计学习方法中给出的CART回归树的算法。 其中最关键的就是过程（1） 首先选择切分变量j,切分变量就是对应的特征，而切分点就是对应切分变量的某个值。对于离散变量，可能为：是xx,不是xx;对于连续特征，可能为 >xx,<= x...
探索性数据分析（四）——特征工程（对数转换、标准化/归一化、离散化、标签编码、独热编码、Dummy变量）
WHYbeHERE的博客
09-02 8531
特征工程的基础介绍和常用方法总结，包括对数转换、特征标准化、离散化、Label Encoder、OneHot Encoder 以及 Dummy Variables。
一份Slide两张表格带你快速了解目标检测
我爱计算机视觉
06-18 676
关注公众号，发现CV技术之美目录P1:目标检测的需求与应用P2:目标检测的相关定义2.1 目标检测的定义2.2 目标检测的核心问题2.3 理想检测器的条件2.4 从两个要求看关键挑战从精度角度看挑战从效率角度看挑战一个挑战解决方法的例子2.5 目标检测损失函数的发展概述IOU的发展变化2.6 评价指标概述常见指标概述AP与mAP2.7 数据集与标注软件常见数据集两大主流数...
2 Features Engineering for Machine Learning中文翻译系列（二）
stranger_man的博客
10-21 1128
来自于github项目，点击查看 二、简单数字的奇特技巧 在深入研究诸如文本和图像这样的复杂数据类型之前，让我们先从最简单的数字数据开始。它们可能来自各种来源：地理位置或人、购买的价格、传感器的测量、交通计数等。数字数据已经是数学模型容易消化的格式。这并不意味着不再需要特征工程。好的特征不仅代表数据的显著方面，而且符合模型的假设。因此，转换常常是必要的。数字特征工程技术是基础。当原始数据被转换为数...
机器学习——数据标注工具使用
xinyu3307的博客
07-05 1万+
LabelImg源码编译教程 LabelImg_github Windows_Linux打包软件使用方法Steps Click ‘Change default saved annotation folder’ in Menu/File Click ‘Open Dir’ Click ‘Create RectBox’ Click and release left mouse to select
BBox-label
01-21
该工具集是基于python开发的，为图片打标签使用。其中标签的类别可以自己修改
HALCON 21.11：深度学习笔记---模型(8)
《好好先生》专栏
11-24 6338
HALCON 21.11：深度学习笔记---模型(8) HALCON 21.11.0.0中，实现了深度学习方法。 本章阐述了HALCON中深度学习(DL)模型的一般概念和数据处理。 从概念上讲，HALCON中的深度学习模型是深度神经网络的内部表示。 每个深度神经网络都有一个定义其功能的架构，即它可以用于的任务。 一个功能可以有多个可能的网络架构。 目前，以下功能的网络在HALCON中作为模型实现： 异常检测，参见深度学习/异常检测。 分类，参见深度学习/分类。 对象检测，参见深度学习/对象
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
RCNN:Bounding-Box（BB）regression
Bixiwen_liu的博客
12-23 1万+
本博客主要介绍RCNN中的Bounding-box的回归问题，这个是RCNN定准确定位的关键。本文是转载自博客：Faster-RCNN详解，从中截取有关RCNN的bounding-box的回归部分。原博文详细介绍了RCNN，Fast-RCNN以及Faster-RCNN，感兴趣的可以去看一下。
Bounding-box Regression深度解析
博观而约取，深研而广求
08-24 6229
在R-CNN以及之后的系列文章中，都有Bounding-box Regression的使用，甚至到了MV3D等等的3D Bounding-box Regression, 其思想都是来源于最基础的Bb Regression的。我将从以下几个角度主要结合自己的理解来谈一谈Bounding-box Regression. 首先，讲一下bounding-box regression使用的动机及其解决的问题，
深度学习python图像标记工具labelTool
walle的博客
09-13 2万+
深度学习训练需要标记图像位置和类别，之前用的时候是叫做BBox-Label-Tool-master，遇到大图像就显示不完整了，没有自适应缩放， 这是改进后的python脚本。 目录结构：图片目录名images, 标签目录名labels，图像目录下各类别目录名要以001,002,003,...的格式命名。 这是运行labelTool时的，图像框记录的是比例值，
【R-CNN目标检测系列】二、边界框回归（Bounding-Box Regression）
戴璞微的学习之路
07-20 9166
前言 在上一篇博文：【计算机视觉——RCNN目标检测系列】一、选择性搜索详解我们重点介绍了RCNN和Fast RCNN中一个重要的模块——选择性搜索算法，该算法主要用于获取图像中大量的候选目标框。为了之后更加顺利理解RCNN模型，在这篇博文中我们将主要介绍RCNN及其改进版本——Fast RCNN和Faster RCNN中一个重要模块——边界框回归（Bounding-Box Regression）...
bounding box regression讲解
Hello World
08-28 1386
简介 bbox回归指的是使用变换的方法，将当前预测的bbox进行变换，使其更加接近gt box。 对于一般的bbox，可以由 x,y,w,hx,y,w,hx,y,w,h 4个变量进行表示，将我们的目标抽象为给定原始的proposal PPP，将groundtruth box记为GGG，我们希望能够找到一个变换关系，使得原始框可以映射得到一个更接近gt box的回归窗口G^G^\hat G。 ...
bounding box regression
最新发布
02-27
### 边界框回归概念 边界框回归是目标检测算法中的一个重要组成部分，其目的是通过调整初始预测的边界框来更精确地定位目标对象的位置和尺寸。在训练过程中，模型学习如何修正这些初步预测以最小化真实边界框与预测之间的差异。 对于大多数现代的目标检测框架而言，边界框通常由四个参数定义：中心坐标 (cx, cy)，宽度 w 和高度 h 或者左上角坐标(xmin,ymin)以及右下角坐标(xmax,ymax)[^1]。 ### 实现方法 #### R-CNN系列 R-CNN及其变体（Fast R-CNN, Faster R-CNN）采用两阶段的方法来进行边界框回归。首先利用区域提议网络生成候选区域；其次，在第二阶段应用线性支持向量机(SVMs)或其他分类器对每个建议区进行分类并执行边界框微调操作。具体来说，Faster R-CNN引入了一个专门负责产生高质量区域提案的子网——Region Proposal Network(RPN),它可以直接嵌入到整个架构之中。 ```python def bbox_transform(deltas, boxes): """ Apply bounding-box regression deltas to predicted boxes. Parameters: deltas: Predicted offsets from each anchor box. boxes : Original anchor or proposal boxes. Returns: Transformed boxes based on the given delta values. """ widths = boxes[:, 2] - boxes[:, 0] + 1.0 heights = boxes[:, 3] - boxes[:, 1] + 1.0 ctr_x = boxes[:, 0] + 0.5 * widths ctr_y = boxes[:, 1] + 0.5 * heights dx = deltas[:, 0::4] dy = deltas[:, 1::4] dw = deltas[:, 2::4] dh = deltas[:, 3::4] pred_ctr_x = dx * widths.unsqueeze(-1) + ctr_x.unsqueeze(-1) pred_ctr_y = dy * heights.unsqueeze(-1)+ ctr_y.unsqueeze(-1) pred_w = torch.exp(dw) * widths.unsqueeze(-1) pred_h = torch.exp(dh) * heights.unsqueeze(-1) pred_boxes = deltas.clone() # x1 pred_boxes[:, 0::4] = pred_ctr_x - 0.5 * pred_w # y1 pred_boxes[:, 1::4] = pred_ctr_y - 0.5 * pred_h # x2 pred_boxes[:, 2::4] = pred_ctr_x + 0.5 * pred_w # y2 pred_boxes[:, 3::4] = pred_ctr_y + 0.5 * pred_h return pred_boxes ``` #### Single Shot Detectors (SSD/YOLOvX) 相比之下，像YOLO这样的single shot detectors则采取了一种更加直接的方式处理这个问题。它们在整个输入图片上划分出固定数量的网格单元格，并让每一个细胞都去预测一定数目的边界框及其对应的置信度得分。这种做法不仅简化了流程而且提高了速度，因为不需要额外的时间消耗于生成region proposals这一步骤之上[^2]。 ### 应用场景 边界框回归的应用非常广泛，几乎涵盖了所有涉及到视觉识别的任务领域： - **自动驾驶汽车**：车辆周围环境感知系统依赖于精准的对象位置信息以便做出安全决策； - **安防监控视频分析**：实时跟踪人员活动轨迹、异常行为预警等功能都需要依靠稳定可靠的物体检测技术提供支撑； - **机器人导航避障**：帮助移动平台理解周边空间布局从而规划最优路径绕过障碍物； - **增强现实游戏开发**：使得虚拟物品能够自然融入现实生活场景当中并与之互动。
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