【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。

有参考框和真实框，计算回归目标：

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：

 

 

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