本文主要是介绍笔记1:基于锚框（先验框）的目标检测，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一、边缘框（bounding box）
1.1 定义
边缘框：真实标注的物体位置
2.1 表示方式
1、（x1,y1)和(x2,y2)
2、（x1,y1)和w,h
二、锚框(anchor box)/先验框（prior bounding box）
2.1 定义
对边缘框的预测
2.2 预测方式
一般很难直接通过坐标数据预测边缘框，通常采用多个边缘框，当包含目标时，再慢慢调整。
第一步：判断是否包含感兴趣目标(目标类别）
第二步：预测锚框到真实边缘框的偏移（目标位置）
s是缩放比，r是宽高比
2.2.1 IOU 交并比
比较两个框之间的相似度
0表示没有重叠，1表示完全重合。
2.2.2 赋予锚框标号
每个锚框都是1个 训练样本（训练框）
锚框有2种属性，1是背景，即为负样本；2是关联边缘框，即为正样本
通常训练中我们会生成大量锚框，在这大量的锚框中，负样本居多
值得注意的是：
1、锚框生成要么是固定生成，要么是根据图片生成；而边缘框是提前标号的真实框，存好的标注
2、赋予锚框编号的过程是每次读入图片后都要进行1次的操作
3、赋予锚框编号的算法有很多种，这其实常见的其中一种。
三、非极大抑制输出（NMS）
目的：1个边缘框对应1个锚框
NMS作用：合并相似的预测
比如dog类的3个预测框中，最大的是0.9，那么第一步选择这个框，第二步计算dog=0.8、dog=0.7这2个框与dog=0.9的这个框的Iou值，如大于我们规定的值，去掉；cat是另外的类，不影响dog类的NMS;第3步，计算下一个类别的最大预测框，重复上述步骤。
四、总结
一类目标检测算法基于锚框来预测
首先生成大量锚框，并赋予标号，每个锚框作为一个样本进行训练
在预测时，使用NMS来去掉冗余的预测。
这篇关于笔记1:基于锚框（先验框）的目标检测的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
