【目标检测】边界框回归与variances参数的作用 - 码农知识堂

【目标检测】边界框回归与variances参数的作用

本文主要讨论在目标检测中，对于边界框Bbox的回归，以及variances参数的作用。

1、边界框回归

针对目标检测问题，由于存在Anchor（固定的参考框），网络模型需要做到“对于一个Anchor，其中是否包含了我们关注的目标，其距离当前目标真实边框有多远”，因此可以将目标检测问题视为一个对于Anchor的回归问题。

有参考框 $P=\left ( P_{x},P_{y},P_{w},P_{h} \right )$ 和真实框 $G=\left ( G_{x},G_{y},G_{w},G_{h} \right )$ ，计算回归目标：

$t_{x}=\frac{G_{x}-P{x}}{P_{w}}$

$t_{y}=\frac{G_{y}-P{y}}{P_{h}}$

$t_{w}=log(\frac{G_{w}}{P_{w}})$

$t_{h}=log(\frac{G_{h}}{P_{h}})$

可以看出在参考框与真实框无线接近时，回归目标接近于0。

2、variances参数的作用

在SSD算法中，在框的encod和decode中都增加了一个参数variances，其回归目标为：

$t_{x}=\frac{G_{x}-P{x}}{P_{w}\cdot center\_variances}$

$t_{y}=\frac{G_{y}-P{y}}{P_{h}\cdot center\_variances}$

$t_{w}=log(\frac{G_{w}}{P_{w}}) / size\_variances$

$t_{h}=log(\frac{G_{h}}{P_{h}})/size\_variances$

$center\_variances=0.1,size\_variances=0.2$

参考：The meanings of parameter "variance" in PriorBox layer #75

可以近似认为是将优化目标进行了方差为0.1的高斯分布，越小的方差带来的是更加紧凑的分布，有利于模型在训练阶段的收敛。简单点说就是在优化目标较小时能够带来更大的损失，使模型更好地优化。

对于高斯分布带来的模型训练的提升，参考论文：Pairwise Gaussian Loss for Convolutional Neural Networks

因此在预测阶段的decode中，同样需要variances参数

$Pred_{x}=t_{x}*center\_variance*P_{w}+P_{x}$

$Pred_{y}=t_{y}*center\_variance*P_{h}+P_{y}$

$Pred_{w}=exp(t_{w}*size\_variance)*P_{w}$

$Pred_{h}=exp(t_{h}*size\_variance)*P_{h}$
相关阅读:
PINN深度学习求解微分方程系列一：求解框架
 微软威胁建模工具 STRIDE
运算放大器的电路模型
 第一章软件开发入门引导及概述
 第一类曲面积分：曲面微元dσ与其投影面积微元dxdy之间的关系推导
 Spring MVC ⾼级技术：监听器、过滤器和拦截器
 自动化测试的好处
 MySQL定时删除XX天数据
 MATLAB R2024a 主要更新内容
 基于单片机16路抢答器仿真系统
原文地址：https://blog.csdn.net/qq_29600137/article/details/126286441