bbox reg（边框回归Bounding Box Regression）

最新推荐文章于 2025-06-12 16:46:38 发布

转载最新推荐文章于 2025-06-12 16:46:38 发布 · 1.6k 阅读

1 ·

CC 4.0 BY-SA版权

原文链接：https://blog.youkuaiyun.com/zijin0802034/article/details/77685438

文章标签：

#object detection #bbox reg

DCNN 同时被 2 个专栏收录

1 篇文章

订阅专栏

object detection

1 篇文章

订阅专栏

本文深入探讨了边框回归(BoundingBoxRegression)的概念与应用,解析其在目标检测算法中如何精确定位目标边界框,为理解计算机视觉中的关键环节提供详实资料。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

bbox reg（边框回归Bounding Box Regression）

ref
https://blog.youkuaiyun.com/zijin0802034/article/details/77685438

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

复年年

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
3
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

目标检测中边框回归的直观理解 bbox regression

hugegrunt的博客

05-01

6524

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。...

maskrcnn_benchmark 代码详解之 inference.py

leijieZhang的博客

06-14

2356

3 条评论您还未登录，请先登录后发表或查看评论

目标检测中的BBox 回归损失函数-L2，smooth L1，IoU，GIoU，DIoU，CIoU，Focal-EIoU，Alpha-IoU，SIoU

kill2013110的博客

07-04

2837

目标检测的两个任务，分类和位置回归，本帖将经典的位置回归损失函数总结如下，按发表时间顺序。 L1最低点是不可导的，所以势必不会收敛到最低点，可能会在最优解附近震荡。而L2损失容易在离群点产生梯度爆炸的问题。smooth L1则集两者的优点于一身。提出IoU loss的论文：不论是L2还是smooth L1 loss都没有考虑到四个点的关联性和尺度不变性，这个是比较致命的缺点，当两对预测框与GT框的IoU相同时，尺度更大那一对loss会更高，或者如下图，用左下角和......

【SAS求解多元回归方程】REG多元回归分析-多元一次回归

最新发布

Frost_Descent的博客

06-12

2640

摘要：本文通过SAS的REG过程演示了多元线性回归分析。示例使用8组观测数据，建立y与x1-x3的回归模型。分析内容包括参数估计（含p值检验）、方差分析（回归平方和、残差平方和）、模型显著性检验，以及决定系数、复相关系数等统计量。当p值显示某些自变量不显著时，需进行变量筛选优化模型。最终输出了回归方程、拟合诊断及各项统计指标，全面评估了模型的解释力和拟合效果。

bbox regresion

qq_35608277的博客

05-31

518

ref https://blog.youkuaiyun.com/zijin0802034/article/details/77685438

边框回归（Bounding Box Regression）详解以及数学公式详解

weixin_44623637的博客

02-08

2206

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...

ex2_reg逻辑回归

weixin_43344710的博客

10-11

254

ex2_reg %% Initialization clear ; close all; clc%% Machine Learning Online Class - Exercise 2: Logistic Regression % % Instructions % ------------ % % This file contains code that helps you get st...

gion proposals。该层通过softmax判断anchors属于positive或者negative，再利用bounding box regression修正anchors获得精确的proposals。Roi Pooling。该层收集输入的feature maps和prop

04-01

- **Bounding Box Regression**: 针对那些被认为是正面实例的 proposals，应用边框回归技术进一步优化它们的位置参数。具体而言，通过对原始 anchor 应用平移缩放操作来逼近实际标注框的真实坐标[^3]。 ```python ...

maskrcnn_benchmark 代码详解之 modeling/roi_heads/box_heads/loss.py

leijieZhang的博客

06-14

2184

前言: 本文详解的是在maskrcnn_benchmark代码中，RoI层中的边框预测模块的损失函数计算代码。在本文详解的loss.py覆盖了预测边框筛选函数，通过该函数可以排除出原预测边框中不符合标准的边框，重新选择背景边框和目标边框，并使用这个边框构成的新预测边框来计算loss值。其代码详解为： # Copyright (c) Facebook, Inc. and its aff...

Python 全栈体系【四阶】（三十七）

柠檬小帽的博客 - 计算机全栈体系

04-29

1231

深度学习（二十三）【目标检测2】

目标检测Part1

qq_41036272的博客

01-30

2585

目标检测-Part1 1.R-CNN 参考：（1）RCNN一些经典问题贴 1.1 Module1-selective search（获取区域）介绍帖子在目标检测时，为了定位到目标的具体位置，通常会把图像分成许多子块，然后把子块作为输入，送到目标识别的模型中。在最开始的时候分子块的最直接方法叫滑动窗口法。滑动窗口的方法就是按照子块的大小在整幅图像上穷举所有子图像块。但是这种方法产生的数据量会很庞大，让人头大。所以和滑动窗口法相对的另外一类基于区域（region proposal）的方法就产生了。其中

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！

Bounding_box_regression详细解析

03-27

Bounding_box_regression详细解析，非常实用，适用于初学者。

bbox-visualizer:使绘图和标签边界框像蛋糕一样容易

03-19

bbox-visualizer 该软件包可帮助用户在对象周围绘制边界框，而无需进行定位标签所需的笨拙数学。它还具有几种不同类型的可视化，您可以在识别对象后将其用于标记对象。边界框点应采用以下格式： (xmin, ymin, xmax, ymax) 文档： : 。免费软件：MIT许可证安装： pip install bbox-visualizer 用法： import bbox_visualizer as bbv ，和照片由。图像功能 bbv.draw_rectangle（img，bbox） bbv.add_label（img，label，bbox，top = True） bbv.draw_rectangle（img，bbox） bbv.add_T_label（img，label，bbox） bbv.draw_flag_with_label（img，label，

【Faster RCNN】RPN中bbox的回归操作

咖啡味儿的咖啡

03-05

2151

代码来自 github:https://github.com/smallcorgi/Faster-RCNN_TF # ex_roi 用来回归的anchor # gt_roi 每个anchor对应的ground truth # 在进行回归前，保证每个需要回归的anchor都有一个gtbox作为回归的目标 def bbox_transform(ex_rois, gt_rois): #计...

（三）目标检测中的几种框【anchor，bbox，先验框，网格单元，ROI，proposal，DenseBox】

weixin_44463519的博客

06-19

7426

本章介绍了在目标检测问题中一些比较常见的“框”，对其概念和原理进行了基础的区分。

bounding box regression讲解

Hello World

08-28

1397

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。 ...

Faster RCNN loss_rpn_box_reg = nan分析

qq_33824968的博客

07-15

2192

首先整体架构使用的是torchvision0.3版本自带的模块。所以找问题都是从自己写的代码开始。自己架构是否有问题：固定一下optimizer = torch.optim.SGD(model.parameters(), lr = lr, momentum=0.9, weight_decay=1e-2) 1：图像处理：根据官方给的手册归一化到了[0, 1]之间应该没问题， 2：标签问题：tar...

bounding box regression

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。