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
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)