py-faster-rcnn源码解读（二）边框回归原理　Bounding Box Regression

116 阅读 0 评论 77 点赞

刚开始的时候不知道anchor到底有什么用，知道对比了RCNN中边框回归才发现。先从RCNN说起

一、RCNN

rcnn在第一步采用SS得出了大约２０００多个候选区域（region proposal)，用来进行训练和边框回归。这里不在详述边框回归的原理了。具体可以看边框回归这个链接。rcnn中采用候选区域（第一个生成的）加上Ｇround Truth进行回归。

就好比现行回归中我们输入的是一对坐标 $(x_{i},y_{i})$ ，经过 $tilde{y}= f(x_{i})$ 得到预测值，然后计算 $y_{i}$ 和 $tilde{y_{i}}$ 的差值进行回归。

这里只是把第一步中的２０００个候选区域（四个坐标值作为输入），经过计算得到 $tilde{y_{i}}$ ，Ground Truth作为 $y_{i}$ 。进行回归即可

二、Faster- rcnn

faster-rcnn中没有２０００多个候选区域。采用anchor进行代替。在回归的过程中，这个anchor的坐标值就是RCNN中的候选区域的坐标值（region proposal)。其他的都不变。

本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。