边界框预测 (Bounding Box Predictions)

黎 浩然/ 19 9 月, 2023/ 机器学习/MACHINELEARNING, 目标检测/OBJECTDETECTION/ 0 comments

Bounding Box Predictions主要是用于目标检测中的边框预测。在卷积实现的滑动窗口检测算法中，虽然计算效率提高了，但仍然存在边框预测不准确的问题。 为使边框预测更加准确，可以使用YOLO（You Only Look Once）算法，由Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi等人提出的一种算法。YOLO算法的步骤如下：

1. 将输入图像分割成网格：
   • 将输入图像分成 n × n 网格（例如 3 × 3 或者 19 × 19，每个网格对应一个边框预测。
2. 定义标签：
   • 对于每个网格，定义一个标签 Y，其中 Y 是一个多维向量，包括：
     • PC：一个标识该网格中是否有目标的二值标识符；
     • BX, BY, BH, BW：用于指定边框的位置和大小的四个值；
     • C1, C2, C3：用于标识目标类别的值。
   • 每个网格的标签 Y 都是一个8维向量。
3. 训练神经网络：
   • 输入图像的大小为 100 × 100 × 3，通过卷积层和池化层等最终得到一个输出体积为3 × 3 × 8（对于 3 × 3 的网格）或者 19 × 19 × 8（对于 19 × 19 的网格）。
   • 使用反向传播算法训练神经网络，使其能够将输入图像映射到相应的输出体 。
4. 测试：
   • 在测试时，输入一张图像，运行前向传播，得到输出体积。
   • 对于输出体积中的每个网格，根据PC的值判断该网格中是否有目标，如果有，则根据 (BX, BY, BH, BW的值得到边框的位置和大小，根据C1, C2, C3 的值得到目标的类别。

YOLO算法的优势在于其卷积实现方式，能够在一次前向传播中同时进行多个网格的目标检测和边框预测，从而实现实时目标检测。边框的编码方式如下：

• 将网格的左上角定义为(0, 0)，右下角定义为 (1, 1)。
• BX, BY的值介于(0, 1) 之间，表示边框中心点的位置。
• BH, BW的值表示边框的高度和宽度。如果边框超出网格边界，那么BH, BW的值会大于1。

通过这种方式，YOLO 算法能够输出任意纵横比的边框，并能更加准确地预测边框的位置。

前面所提及的方法中一个网格只能检测一个对象（对象的边界框可以超出网格的范围）。