边框回归：BoundingBox-Regression(BBR)

最新推荐文章于 2025-06-10 15:07:17 发布
原创 最新推荐文章于 2025-06-10 15:07:17 发布 · 8.2k 阅读 · 83 ·
CC 4.0 BY-SA版权
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。
文章标签：

#BoundingBoxRegression #BBR #边框回归 #RCNN

本文介绍了BoundingBox Regression (BBR)在RCNN中的应用，解释了BBR的主要目的是解决mislocalization问题，通过线性回归提高mAp。内容详细解析了BBR的输入不是所有IoU小于0.6的框，而是选取IoU大于0.6的框进行回归。同时，讨论了为何在IoU较大的情况下，变换可以视为线性变化，并且说明了使用exp形式表示缩放尺寸的原因。最后，阐述了损失函数和输入特征的选择，强调BBR是针对每种类别训练的，而非独立于分类信息。

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

为什么要做BoundingBox Regression（BBR）?

首先我们先来考虑，RCNN中为什么要做BoundingBox-Regression?

Bounding Boxregression是 RCNN中使用的边框回归方法，在RCNN的论文中，作者指出：主要的错误是源于mislocalization。为了解决这个问题，作者使用了bounding box regression。
这个方法使得mAp提高了3到4个点。
这里写图片描述

BBR的输入 是什么？

注意，这里网上很多地方都说的不太正确，有误导，我仔细理解了一些论文，把自己的理解写下。（羞涩）
这里写图片描述

对于预测框P,我们有一个ground truth是G：当0.1< IoU < 0.5时出现重复，这种情况属于作者说的poor localiazation, 但注意：我们使用的并不是这样的框进行BBR(网上很多地方都在这里出现了误导),作者是用iou>0.6的进行BBR,也就是iou<0.6的Bounding Box会直接被舍弃，不进行BBR。这样做是为了满足线性转换的条件。否则会导致训练的回归模型不 work.

（当 P跟 G 离得较远，就是复杂的非线性问题了，此时用线性回归建模显然不合理。)

至于为什么当IoU较大的时候，我们才认为是线性变化，我找到一个觉得解释的比较清楚的，截图在下面：

最低0.47元/天 解锁文章

200万优质内容无限畅学
芒果YOLOv5改进35：损失函数篇之WIoU：首发使用最新论文的WIoU损失函数，具有动态聚焦机制的边界框回归损失，实测涨点，超越CIoU, SIoU性能，提出了BBR的基于注意力的损失WIoU函数
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-02 1万+
YOLOv5代码实战 ｜ Wise-IoU 新的损失函数助力 YOLO模型高效涨点，将mAP提升新的高度
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
12-28 914
《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程大家一般都是从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 4.使用
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
boundingbox回归
木木家
10-19 633
bounding box regression 什么是IOU  为什么要做Bounding-box regression？    如上图所示，绿色的框为飞机的Ground Truth，红色的框是提取的Region Proposal。那么即便红色的框被分类器识别为飞机，但是由于红色的框定位不准(IoU 回归/微调的对象是什么？  Bounding-
目标检测入门
最新发布
safasfs的博客
06-10 629
（文章截取于百度飞桨，仅供自己学习记忆）目标检测的主要目的是让计算机可以自动识别图片或者视频帧中所有目标的类别，并在该目标周围绘制边界框，标示出每个目标的位置。检测任务需要同时预测物体的类别和位置，因此需要引入一些跟位置相关的概念。通常使用边界框（bounding box，bbox）来表示物体的位置，边界框是正好能包含物体的矩形框。 通常有两种格式来表示边界框的位置： 在检测任务中，训练数据集的标签里会给出目标物体真实边界框所对应的(x1,y1,x2,y2)这样的边界框也被称为真实框（ground trut
【目标检测】【边界框回归】Bounding-Box regression
wzk4869的博客
10-26 3707
【目标检测】【边界框回归】Bounding-Box regression
边框回归（Bounding Box Regression）详解以及数学公式详解
weixin_44623637的博客
02-08 2192
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...
边界框（Bounding Box, BBox）回归的目标函数
qq_34425255的博客
10-03 311
边界框回归的目标函数是物体检测模型中的一个关键组件，它帮助模型学习如何更准确地定位和识别图像中的物体。
R-CNN
m0_51700479的博客
01-17 1362
CVPR2014经典paper：《Rich feature hierarchies for accurate object这篇论文的算法思想被称为R- CNN(Regions with Convolutional Neural Network Features)该算法思想更改了物体检测的总思路，现在很多物体检测算法均基于该算法。Region Proposals 是指可能包含目标对象的图像区域的候选集合。换句话说，它们是图像中那些可能包含我们想要检测的对象的区域。
RCNN(R-CNN、Region-CNN)网络，DL目标检测的先驱，Two-Stage代表网络
weixin_43331421的博客
07-01 1629
RCNN，第一个成功将深度学习应用到目标检测上的算法，可以说是利用深度学习进行目标检测的开山之作，是Two-Stage算法的代表，即先生成候选区域，再利用CNN进行识别分类。
边界框回归 Bounding-Box Regression
WHS-_-2022的博客
01-24 2932
边界框回归详解
Bounding-box_regression详解
08-18
bounding box regression
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！
深度学习中小知识点系列(十四) 解析Bounding Box Regression
专注于人工智能学习，总结
12-05 1265
那么这个映射关系中我们的。
Bounding box regression 边框回归
hxxjxw的博客
04-16 314
Regression，即回归，对大量统计数据进行数学处理，并确定因变量与某些自变量的相关关系，建立一个相关性较好的回归方程，并对今后因变量的变化进行预测。举个简单的例子：给定一堆点(x, y)，然后根据这些点拟合出一条线(一个函数)，之后再给定一个x，那我们就可以预测出对应的y的值。 那在目标检测中，为什么会需要回归呢？请看下图，红色的框是使用selective search提取出的region proposal，绿色的框是ground truth。当图中红色的框被分类器识别为飞机，但是由于红色框的定位.
详解 边框回归(Bounding Box Regression)
qq_43703185的博客
07-09 613
原文链接：https://blog.youkuaiyun.com/zijin0802034/article/details/77685438/ Bounding-Box re
边界框回归的魔法：揭秘精准高效的MPDIoU损失函数
m0_47867638的博客
08-25 4563
边界框回归（BBR）已广泛应用于目标检测和实例分割，这是目标定位的重要步骤。然而，现有的大多数边界框回归损失函数在预测框与地面真相框具有相同长宽比但宽度和高度值完全不同的情况下无法优化。为了解决上述问题，我们充分探索了水平矩形的几何特征，并基于最小点距离提出了一种新颖的边界框相似性比较度量MPDIoU，该度量包含了现有损失函数中考虑的所有相关因素，即重叠或非重叠区域、中心点距离以及宽度和高度偏差，同时简化了计算过程。在此基础上，我们提出了基于MPDIoU的边界框回归损失函数LMPDIoUL。
MPDIoU: A Loss for Efficient and Accurate Bounding BoxRegression
生活如此美好，致敬每一个热爱“热爱”的人！
09-05 7197
提出了一种新的基于最小点距离的边界框相似性比较指标MPDIoU，该指标包含了现有损失函数中考虑的所有相关因素，即重叠或不重叠区域、中心点距离、宽度和高度偏差，同时简化了计算过程。在此基础上，我们提出了基于MPDIoU的边界框回归损失函数，称为LMPDIoU。实验结果表明，MPDIoU损失函数应用于最先进的实例分割(如YOLACT)和基于PASCAL VOC、MS COCO和IIIT5k训练的目标检测(如YOLOv7)模型，其性能优于现有的损失函数
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。
N-IoU: better IoU-based bounding box regression loss for object detection
12-26
### N-IoU 改进的 IoU-based 边界框回归损失函数 #### 应用场景 N-IoU（Normalized Intersection over Union）作为一种改进型的IoU-based边界框回归损失函数，在目标检测领域得到了广泛应用。该方法不仅保留了传统IoU损失的核心特性，还通过引入新的机制来提升模型性能[^1]。 #### 特性和优势 - **取值范围一致**：同传统的IoU损失一样，N-IoU 的取值同样限定于\[0, 1\]区间内，这使得两者在数值上具备可比较性。 - **加速高IoU样本收敛**：当辅助边框尺寸小于真实边框时(ratio<1)，虽然有效回归区域缩小，但是由于梯度绝对值更大，因此可以更快速地促使那些已经接近正确的预测结果进一步精细化调整。 - **增强低IoU情况下的表现力**：反之如果辅助边框相对较大，则有助于扩展回归的有效作用域，从而改善初始定位不准确的情况，特别是对于那些原本交并比很低的目标物体而言效果显著。 - **解决原始IoU Loss存在的问题**：直接采用\(1-\text{IoU}\)作为loss来进行bbox regression分支训练虽可行却并非完美无缺；比如它可能无法很好地处理不同大小的对象之间的比例变化等问题[^2]。而经过改良后的版本则能在一定程度上缓解这些问题的影响。 ```python def n_iou_loss(pred_boxes, target_boxes): """ 计算两个矩形框间的N-IoU损失 参数: pred_boxes (Tensor): 预测得到的边界框坐标[N, 4] target_boxes (Tensor): 实际标签对应的边界框坐标[N, 4] 返回: Tensor: 平均N-IoU损失值 """ # 获取每个box的高度宽度以及中心点位置 wh_pred = pred_boxes[:, 2:] - pred_boxes[:, :2] centers_pred = (pred_boxes[:, 2:] + pred_boxes[:, :2]) / 2. wh_target = target_boxes[:, 2:] - target_boxes[:, :2] centers_target = (target_boxes[:, 2:] + target_boxes[:, :2]) / 2. inter_wh = torch.min(wh_pred, wh_target) inner_area = inter_wh[..., 0] * inter_wh[..., 1] outer_wh = torch.max(wh_pred, wh_target) outer_area = outer_wh[..., 0] * outer_wh[..., 1] union_area = wh_pred.prod(dim=-1) + wh_target.prod(dim=-1) - inner_area iou = inner_area / union_area.clamp(min=1e-7) ratio = ((centers_pred - centers_target).abs() / outer_wh).prod(-1)**0.5 niou = iou * ratio return 1 - niou.mean() ```
评论 9
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