1. 目標(biāo)檢測(cè)和邊界框
實(shí)際上是人工生成一系列有限個(gè)框，然后給這些框打標(biāo)簽
2. 錨框
目標(biāo)檢測(cè)算法通常會(huì)在輸入圖像中采樣大量的區(qū)域须教，然后判斷這些區(qū)域中是否包含我們感興趣的目標(biāo)，并調(diào)整區(qū)域邊緣從而更準(zhǔn)確地預(yù)測(cè)目標(biāo)的真實(shí)邊界框（ground-truth bounding box）坦喘。不同的模型使用的區(qū)域采樣方法可能不同枝嘶。這里我們介紹其中的一種方法：它以每個(gè)像素為中心生成多個(gè)大小和寬高比（aspect ratio）不同的邊界框。這些邊界框被稱為錨框（anchor box）甜无。
2.1 生成多個(gè)錨框
假設(shè)輸入圖像高為，寬為
哥遮。我們分別以圖像的每個(gè)像素為中心生成不同形狀的錨框岂丘。設(shè)大小為
且寬高比為
，那么錨框的寬和高將分別為
和 hs/\sqrt{r} 眠饮。當(dāng)中心位置給定時(shí)奥帘，已知寬和高的錨框是確定的。
下面我們分別設(shè)定好一組大小 和一組寬高比
仪召。如果以每個(gè)像素為中心時(shí)使用所有的大小與寬高比的組合寨蹋，輸入圖像將一共得到
個(gè)錨框。雖然這些錨框可能覆蓋了所有的真實(shí)邊界框扔茅，但計(jì)算復(fù)雜度容易過高已旧。因此，我們通常只對(duì)包含
或
的大小與寬高比的組合感興趣召娜，即
也就是說运褪，以相同像素為中心的錨框的數(shù)量為。對(duì)于整個(gè)輸入圖像，我們將一共生成
個(gè)錨框吐句。
2.2 交并比
我們剛剛提到某個(gè)錨框較好地覆蓋了圖像中的狗胁后。如果該目標(biāo)的真實(shí)邊界框已知，這里的“較好”該如何量化呢嗦枢？一種直觀的方法是衡量錨框和真實(shí)邊界框之間的相似度。我們知道屯断，Jaccard系數(shù)（Jaccard index）可以衡量?jī)蓚€(gè)集合的相似度文虏。給定集合 A 和 B ，它們的Jaccard系數(shù)即二者交集大小除以二者并集大兄逞荨：
實(shí)際上氧秘，我們可以把邊界框內(nèi)的像素區(qū)域看成是像素的集合。如此一來趴久，我們可以用兩個(gè)邊界框的像素集合的Jaccard系數(shù)衡量這兩個(gè)邊界框的相似度丸相。當(dāng)衡量?jī)蓚€(gè)邊界框的相似度時(shí)，我們通常將Jaccard系數(shù)稱為交并比（Intersection over Union彼棍，IoU）灭忠，即兩個(gè)邊界框相交面積與相并面積之比，如圖9.2所示座硕。交并比的取值范圍在0和1之間：0表示兩個(gè)邊界框無重合像素弛作，1表示兩個(gè)邊界框相等。
2.3 標(biāo)注訓(xùn)練集的錨框
在訓(xùn)練集中华匾，我們將每個(gè)錨框視為一個(gè)訓(xùn)練樣本映琳。為了訓(xùn)練目標(biāo)檢測(cè)模型，我們需要為每個(gè)錨框標(biāo)注兩類標(biāo)簽：一是錨框所含目標(biāo)的類別蜘拉，簡(jiǎn)稱類別萨西；二是真實(shí)邊界框相對(duì)錨框的偏移量，簡(jiǎn)稱偏移量（offset）旭旭。在目標(biāo)檢測(cè)時(shí)谎脯，我們首先生成多個(gè)錨框，然后為每個(gè)錨框預(yù)測(cè)類別以及偏移量您机，接著根據(jù)預(yù)測(cè)的偏移量調(diào)整錨框位置從而得到預(yù)測(cè)邊界框穿肄，最后篩選需要輸出的預(yù)測(cè)邊界框。
2.4 輸出預(yù)測(cè)邊界框
在模型預(yù)測(cè)階段际看，我們先為圖像生成多個(gè)錨框咸产，并為這些錨框一一預(yù)測(cè)類別和偏移量。隨后仲闽，我們根據(jù)錨框及其預(yù)測(cè)偏移量得到預(yù)測(cè)邊界框脑溢。當(dāng)錨框數(shù)量較多時(shí)，同一個(gè)目標(biāo)上可能會(huì)輸出較多相似的預(yù)測(cè)邊界框。為了使結(jié)果更加簡(jiǎn)潔屑彻，我們可以移除相似的預(yù)測(cè)邊界框验庙。常用的方法叫作非極大值抑制（non-maximum suppression，NMS）社牲。
我們來描述一下非極大值抑制的工作原理粪薛。對(duì)于一個(gè)預(yù)測(cè)邊界框，模型會(huì)計(jì)算各個(gè)類別的預(yù)測(cè)概率搏恤。設(shè)其中最大的預(yù)測(cè)概率為
违寿，該概率所對(duì)應(yīng)的類別即
的預(yù)測(cè)類別。我們也將
稱為預(yù)測(cè)邊界框
的置信度熟空。在同一圖像上藤巢，我們將預(yù)測(cè)類別非背景的預(yù)測(cè)邊界框按置信度從高到低排序，得到列表
息罗。從
中選取置信度最高的預(yù)測(cè)邊界框
作為基準(zhǔn)掂咒，將所有與
的交并比大于某閾值的非基準(zhǔn)預(yù)測(cè)邊界框從
中移除。這里的閾值是預(yù)先設(shè)定的超參數(shù)迈喉。此時(shí)绍刮，
保留了置信度最高的預(yù)測(cè)邊界框并移除了與其相似的其他預(yù)測(cè)邊界框。 接下來弊添，從
中選取置信度第二高的預(yù)測(cè)邊界框
作為基準(zhǔn)录淡，將所有與
的交并比大于某閾值的非基準(zhǔn)預(yù)測(cè)邊界框從
中移除。重復(fù)這一過程油坝，直到
中所有的預(yù)測(cè)邊界框都曾作為基準(zhǔn)嫉戚。此時(shí)
中任意一對(duì)預(yù)測(cè)邊界框的交并比都小于閾值。最終澈圈，輸出列表
中的所有預(yù)測(cè)邊界框彬檀。
3. 多尺度目標(biāo)檢測(cè)
在1.節(jié) 錨框中，我們?cè)趯?shí)驗(yàn)中以輸入圖像的每個(gè)像素為中心生成多個(gè)錨框瞬女。這些錨框是對(duì)輸入圖像不同區(qū)域的采樣窍帝。然而，如果以圖像每個(gè)像素為中心都生成錨框诽偷，很容易生成過多錨框而造成計(jì)算量過大坤学。舉個(gè)例子，假設(shè)輸入圖像的高和寬分別為561像素和728像素报慕，如果以每個(gè)像素為中心生成5個(gè)不同形狀的錨框深浮，那么一張圖像上則需要標(biāo)注并預(yù)測(cè)200多萬個(gè)錨框。
減少錨框個(gè)數(shù)并不難眠冈。一種簡(jiǎn)單的方法是在輸入圖像中均勻采樣一小部分像素飞苇，并以采樣的像素為中心生成錨框。此外，在不同尺度下布卡，我們可以生成不同數(shù)量和不同大小的錨框雨让。值得注意的是，較小目標(biāo)比較大目標(biāo)在圖像上出現(xiàn)位置的可能性更多忿等。舉個(gè)簡(jiǎn)單的例子：形狀為的目標(biāo)在形狀為
的圖像上可能出現(xiàn)的位置分別有4贸街、2和1種娃闲。因此，當(dāng)使用較小錨框來檢測(cè)較小目標(biāo)時(shí)匾浪，我們可以采樣較多的區(qū)域；而當(dāng)使用較大錨框來檢測(cè)較大目標(biāo)時(shí)卷哩，我們可以采樣較少的區(qū)域蛋辈。
