Class34锚框

Class34锚框

边缘框（Bounding Box）

描述真实物体位置的矩形框，也叫真值框。

边缘框，是由人工标注得到的，图片中的一个物体只有一个边缘框。

锚框（Anchor Box）

预先在图片的某些位置、用不同大小和宽高比生成的矩形框。

锚框是由多种不同形状的，每一种可能都有若干个锚框。

将整张图片分割成3x3的网格，被检测的真实物体及其边缘框在第2个网格中。锚框有3种，分别为100x100像素、100x50像素和50x100像素，一个网格里有3个，9个网格则一共有3*9=27个锚框。

交并比IoU

两个集合的交集比上两个集合的并集就是交并比。

锚框标号
每个锚框是一个训练样本，对于每个锚框，要么标注成背景，要么关联上一个真实的边缘框。所以我们会生成大量的锚框，会导致大量的负样本。

将锚框和真实边界框进行比较（IoU≥阈值，阈值假设为0.5），大于阈值则是正样本标注成该目标类别，否则为负样本标注成背景。

为每个边缘框找一个锚框，先从最高值出发，找到X23，将X23所在的行和列都删除，再在没删除下面找下一个最大值；此时找到X71，再将X71所在的行和列都删除；以此类推，将每个对应的边缘框都找到一个对应最大值的锚框做对应。

非极大值抑制(NMS)输出

在目标检测中，用锚框预测物体位置时，模型通常会对同一个物体给出多个重叠的候选框，并且每个框有一个置信度分数。

如果直接输出这些框，结果会很乱，会出现同一个物体会出现很多框。

假设有一组候选框，每个框有位置和置信度：

1.按置信度从高到低排序。

2.选取最高分的框，加入最终输出结果。

3.计算该框与其余框的 IoU（交并比）。

4.去掉 IoU 大于设定阈值（比如 0.5）的框，因为它们很可能是同一个物体的重复预测

总结