目录
1.anchor的计算机制
2.anchor对应机制
3.网络结构
4.训练过程
5.测试过程
1.anchor的计算机制
- 锚框anchor是真值框和预测框之间的桥梁：预测框在锚框基础上，预测出框的大小，锚框和实际框通过IoU进行关联
- 网络直接预测的是特征图中当前单元格相对于锚框的偏置tx,ty,tw,th,然后通过下面关系式计算得到bx,by,bw,bh（真值标签也是bx,by,bw,bh四个值，从而计算loss）
上式中：
即为预测的边界框bounding box在feature map中的中心点坐标和长宽；
即为网络学习的相对于先验框(prior,anchor)的offsets；-
是各个单元格的左上点坐标(即先验框中心点的参考点为单元格的左上顶点)；
即为先验框(prior,anchor)相对于特征图尺度的长和宽
若我们需要得到预测框相对于原图的坐标实际值，则只需要将乘以该特征图的降采样倍数，如8,16,32等。
anchor的调整可视化
以13x13特征图大小为例，如下图所示，各个点为单元格的顶点，左图是以黑色顶点为中心的三个anchor，右图是三个anchor调整后的结果，即三个预测框，红点为三个预测框的中心点。
2.anchor对应机制
- 一个单元格有3个锚框，在计算Loss时并不是三个锚框对应的预测框都与真值框进行比较，而是只采用1个预测框进行计算diff，即：采用与真值框之间IOU最大的锚框所对应的预测框进行计算，忽略另外2个预测框
3.网络结构
- ResUnit与Resnet18类似，依次为1x1卷积3x3卷积，然后相加add
- ResX中第一个CBL为stride=2的卷积，进行降采样操作
4.训练过程
5.测试过程
参考：目标检测YOLO系列
江大白:YOLOV3(下)
睿智的目标检测26—Pytorch搭建yolo3目标检测平台
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@)
