怎么理解anchor
转载自https://www.zhihu.com/question/42205480/answer/155759667
首先
我们需要知道anchor的本质是什么，本质是SPP(spatial pyramid pooling)思想的逆向。而SPP本身是做什么的呢，就是将不同尺寸的输入resize成为相同尺寸的输出。所以SPP的逆向就是，将相同尺寸的输出，倒推得到不同尺寸的输入。
接下来是anchor的窗口尺寸，这个不难理解，三个面积尺寸（1282，2562，512^2），然后在每个面积尺寸下，取三种不同的长宽比例（1:1,1:2,2:1）.这样一来，我们得到了一共9种面积尺寸各异的anchor。示意图如下：
至于这个anchor到底是怎么用的，这个是理解整个问题的关键。
其次
下面是整个faster RCNN结构的示意图：
利用anchor是从第二列这个位置开始进行处理，这个时候，原始图片已经经过一系列卷积层和池化层以及relu，得到了这里的 feature：51x39x256（256是层数）
在这个特征参数的基础上，通过一个3x3的滑动窗口，在这个51x39的区域上进行滑动，stride=1，padding=2，这样一来，滑动得到的就是51x39个3x3的窗口。
对于每个3x3的窗口，作者就计算这个滑动窗口的中心点所对应的原始图片的中心点。然后作者假定，这个3x3窗口，是从原始图片上通过SPP池化得到的，而这个池化的区域的面积以及比例，就是一个个的anchor。换句话说，对于每个3x3窗口，作者假定它来自9种不同原始区域的池化，但是这些池化在原始图片中的中心点，都完全一样。这个中心点，就是刚才提到的，3x3窗口中心点所对应的原始图片中的中心点。如此一来，在每个窗口位置，我们都可以根据9个不同长宽比例、不同面积的anchor，逆向推导出它所对应的原始图片中的一个区域，这个区域的尺寸以及坐标，都是已知的。而这个区域，就是我们想要的 proposal。所以我们通过滑动窗口和anchor，成功得到了 51x39x9 个原始图片的proposal。接下来，每个proposal我们只输出6个参数：每个 proposal 和 ground truth 进行比较得到的前景概率和背景概率(2个参数）（对应图上的 cls_score）；由于每个 proposal 和 ground truth 位置及尺寸上的差异，从 proposal 通过平移放缩得到 ground truth 需要的4个平移放缩参数（对应图上的 bbox_pred）。
所以根据我们刚才的计算，我们一共得到了多少个anchor box呢？
51 x 39 x 9 = 17900
约等于 20 k
怎么理解anchor相关推荐
- 理解Anchor、RPN真值与预测量、RPN卷积网络
RPN部分的输入.输出如下: 输入:feature map.物体标签.即训练集中所有物体的类别与边框位置 输出:Proposal.分类Loss.回归Loss,其中,Proposal作为生成区域,供后续 ...
- 怎么理解anchor？
前言:这是知乎:faster rcnn中rpn的anchor,sliding windows,proposals之间的联系是什么?问题下的一个回答,这个回答首先解决了anchor是什么(what)的问 ...
- 深入理解anchor
在博客SSD原理解读-从入门到精通中提到了anchor作用:通过anchor设置每一层实际响应的区域,使得某一层对特定大小的目标响应.很多人肯定有这么一个疑问:那anchor到底可以设置到多大呢?,本 ...
- 【论文理解】理解yolov3的anchor、置信度和类别概率
以前写过一篇博客,都是转载其余博主的内容,对yolov3有了基本认识,但是当时只浮于表面,并没有真正的理解yolov3,现在对于yolov3的anchor计算,损失函数的计算有了一些新的理解,记录一下 ...
- yolov5核心代码: anchor匹配策略，compute_loss和build_targets理解
yolov5核心代码理解: anchor匹配策略-跨网格预测,compute_loss(p, targets, model)和build_targets(p, targets, model)理解 本文 ...
- 目标检测Anchor的What/Where/When/Why/How
编译|yanwan,https://zhuanlan.zhihu.com/p/150332784 来源|https://www.wovenware.com/blog/2020/06/anchor-bo ...
- 目标检测中anchor的概念
主要从以下几个部分理解anchor的概念: 1. 什么是anchor? 2. anchor的意义 3. Faster R-CNN的Anchor Box 4 总结 1. 什么是anchor? 就是在图像 ...
- 目标检测之详解yolov3的anchor、置信度和类别概率
参考1 参考2 参考3 提要 yolov3 在网络最后的输出中,对于每个grid cell产生3个bounding box,每个bounding box的输出有三类参数: 一个是对象的box参数,一共 ...
- 五问目标检测Anchor
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 来自 | 知乎 作者 | yanwan 链接 | https:/ ...
最新文章
- Citrix通用打印服务器配置
- xy苹果助手未受信任_手机畅销榜出炉：iPhone11销量第一，苹果是安卓无法逾越的大山...
- STM32串口发送中断
- 蓝桥杯-操作格子（java）
- wallfall瀑布流的jq实现
- python 文件操作 os.readlines()函数用法
- Android中使用Canvas和Paint绘制一个安卓机器人
- NYOJ 467 中缀式变后缀式
- 学习笔记(12):Python网络编程并发编程-解决粘包问题-简单版本
- 《Python Cookbook 3rd》笔记（3.10）：矩阵与线性代数运算
- 判断平台是windows还是linux，用这个方法就行了
- mysql查询_MYSQL查询
- Python错误:TypeError: string indices must be integers
- 安装win7和Centos后,默认启动项的修改.
- CDays-3 习题一 （处理命令行参数）及相关内容解析。Python getopt 简介
- Android使用PDFviewer渲染PDF文件
- 解决visio2016与本地家庭和学生版office不兼容问题
- 计算机图形学的未来前景,计算机图形学的发展前景
- J2EE和J2se的区别
- Windows10实用技巧-固定快捷方式到磁贴菜单方式