探索目标检测：边界框与锚框的奥秘

笔者在2022年开始学习目标检测的时候，对各种框的概念那是相当混淆，比如：

• 中文名词：边界框、锚框、真实框、预测框等
• 英文名词：BoundingBox、AnchorBox、Ground Truth等

同一个英文名词比如BoundingBox翻译成中文也有多个叫法。下面注重区分这些概念。

一、真实框Ground Truth & 边界框Bounding Box

1️⃣真实框Ground Truth与边界框Bounding Box的定义

目标检测需要识别图片中多个物体的位置与类别。

为了方便模型训练，我们人为地将图片中物体的位置与种类标注出来，这就是真实边界框Ground Truth。

• 「Ground Truth」等价于「Ground Truth Bounding Box（GT BBox）」

边界框Bounding Box则更多的是一种泛指，它可以指代各个类型的框。

2️⃣GT BBox的标注常见于两种形式：

1. PascalVOC的xml标注文件：$(x_1,y_1,x_2,y_2)$，分别是矩形框左上角、右下角的坐标；
   如下图中的坐标(1, 1)。
2. COCO的json标注文件：$(x,y,w,h)$，xy是矩阵框的中心点坐标，wh是矩阵框的宽高；

标注文件中每行表示一个物体，一般是：图片文件名、物体类别、边缘框。

---

二、边界框的回归 BoundingBox Regression

模型对其「预测框」进行微调，使其接近Ground Truth Bounding Box。
如下图对红色的BBox回归，使其接近绿色的GT Box。

---

三、锚框Anchor Box

1️⃣Ground Truth Bounding Box与Anchor的区别：

锚框Anchor是算法自动生成出的，GT BBox是人为的标注框。

目前定位精准的目标检测算法还是基于锚框的，即Anchor-based。

2️⃣锚框的使用：

3️⃣在目标检测任务中，我们如何选择锚框尺寸？

1）要么设定好锚框的尺寸：

•   anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32
  

2）要么通过k-means自动生成锚框，比如yolov5默认通过k-means自动生成锚框尺寸

3）作为超参数学习。我还没见过，估计这会产生额外的计算量

4️⃣锚框的标注过程

主流的目标检测算法大多基于锚框Anchor Box，每一个锚框都是一个训练样本。

对于每个锚框，要么标注成背景（负样本），要么关联上一个真实边界框（正样本）。

一张图片可能会产生上万个锚框，其中绝大多数都是背景，即大量的负样本，与之相比，正样本可能只有几十个。

图. 锚框的标注

• 假设4个目标物体对应着4个GT BBox，模型对每个目标物体各生成9个锚框；
• 计算每个GT与Anchor之间的IoU值，找到当前最大的IoU值$x_{23}$，将锚框关联上BBox_3，由它去预测BBox_3。删去该行该列；
• 继续找当前最大的IoU值$x_{71}$，重复如上操作，删去该行该列；

与BBox关联的锚框作为正样本，其他的作为背景就是负样本。

PS：Anchor的概念最早出现在Faster RCNN提出的RPN网络，RPN网络的Anchor启发了后面的SSD和Yolov2算法。

---

四、额外：召回与排序的概念

召回：将所有“可能的正确结果”返回给排序

排序：会将所有召回的结果进行排序，将最靠前的结果作为最终答案

如果这篇文章对您有些许帮助，请帮忙点个赞👍或收个藏📃。您的支持是我继续创作的动力💪！

---

不要害怕，不要着急。保持每日的前进☀️与积极的内心❤️，命运总在曲折中馈赠最好的礼物。