深度学习之对象检测2

承接前文：深度学习之对象检测1

 交并比（IOU）

计算两个边框交集和并集之比，IOU是用来衡量两个边框的重叠的大小。

两个边框指的是：自己得到的、实际需要实现的。

交集/并集=

一般认为IOU>=α（阀值，一般人为约定为0.5）是可接受的，由不同场景可自己设置。

非最大值抑制

YOLO算法在运行中存在一个问题，理论上图片上每一个对象只存在一个中心点，实践中可能会有几个网格都会认为对象的中心在自己网格中。

于是就会生成多个边框

非最大抑制的作用就是，对于每个对象只保留其Pc预测最大的值

非最大抑制用法

　　　　a.去掉IOU没到达到阀值的边框

　　　　while(存在剩下的边框):

　　　　　　b.选择概率Pc最大的边框，输出为预测结果

　　　　　　c.剩下边框中所有和输出边框有很大的交并的，则它们的输出被抑制。

非最大值抑制可以确保对每个对象只检测一次。

非最大值抑制会逐一审视剩下的边框，所有和这个最大概率的边界框有很高的交并比，高度重叠的其他边框就会被抑制。

*如果存在多种类型的对象（即是c1,c2,c3），每种类型的对象要单独运行最大抑制（不同类型对象的交并值会对结果产生影响）。

 Anchor Box

使用Anchor Box可以让一个格子检测出多个对象（不同类别的）。

 Anchor Box思路：

　　　　a.预先定义多个个不同形状的的Anchor Box，Anchor Box的形状是与预测结果关联起来的。

　　　　b.现在每个对象都和以前一样分配到同一个格子里面，但是现在还要分配到一个Anchor Box，分配的原则是比较并选择该格子内对象与定义的Anchor Box不同形状之间的IOU交并比最高的那个。

于是标签y（对于视频中的例子）就变成下图这样了，每一个Pc对应这一个Anchor Box形状。

使用Anchor Box的好处：

　　　　a.处理两个不同类型的对象出现在同一格子里面，实际情况中如果格子够细致的话，一般不会出现两个格子在一个对象里面的。

　　　　b.能够让算法更有针对行（监督学习），如果你的数据给出的对象的形状大概相似。

如何选择Anchor Box:

1.一般手动根据对象制定Anchor Box形状，可以选择5个到10个形状，可以涵盖你想要检测对象的各种对象。

2.使用k-平均算法，自动选择Anchor Box的形状。

YOLO算法例子

上面讲的都是构建YOLO算法中所需要知道的一些知识，下面就通过一个例子把所有的知识点穿插起来。

使用的例子还是在图片中检测pedestrian（行人）、car(车)和motorcycle(摩托车)

输出数据形状是3x3x16:

　　　　a.3x3是分的格子形状

b.16(=2x8)其中2是使用的Anchor Box的个数，8就是输出的参数个数（Pc,bw,bx,bh,bw,c1,c2,c3）

输出标签y:

Anchor Box选择：

使用Anchor Box 1表示pedestrian(行人)，Anchor Box 2表示car(车)和motorcycle(摩托车)，这里是不知道为什么摩托车没Anchor形状，所以我认为可能摩托车形状与Anchor Box 2差不多。

使用卷积神经网络训练：

最后是使用非最大抑制：

没有使用非最大抑制时，由于使用了两个Another Box,每个格子都会有两个检测边界框，只是Pc概率不同而以。

你需要做的是：

　　　　a.抛弃概率比较低的预测边框

　　　　b.如果存在三个对象检测的类别（行人，车和摩托车）,对每一类单独运行非最大抑制。这里的意思对于行人Anchor Box 1的形状的概率明显高于Anchor Box 2的概率。所以去掉Anchor Box 2形状的边框。