3-5 Bounding Box 预测

Bounding Box 预测（Bounding box predictions）

滑动窗口法的卷积实现虽然效率更高，但仍然存在问题，不能输出最精准的边界框。

在滑动窗口法中，你取这些离散的位置集合，然后在它们上运行分类器，在这种情况下，这些边界框没有一个能完美匹配汽车位置。

其中一个能得到更精准边界框的算法是 YOLO 算法， YOLO(You only look once)意思是你只看一次。

比如你的输入图像是 100×100 的，然后在图像上放一个3×3网格，实际实现时会用更精细的网格，可能是 19×19。基本思路是使用图像分类和定位算法，逐一应用在图像的 9 个格子中。更具体一点，你需要这样定义训练标签，所以对于 9 个格子中的每一个指定一个标签y，y是 8 维的:

${p_c}$等于 0 或 1 取决于这个绿色格子中是否有图像。然后${b_x}$, ${b_y}$, ${b_h}$ ,${b_w}$作用就是，如果那个格子里有对象，那么就给出边界框坐标。${c_1}$,${c_2}$,${c_3}$就是你想要识别的三个类别，背景类别不算，所以你尝试在背景类别中识别行人、汽车和摩托车，那么${c_1}$,${c_2}$,${c_3}$可以是行人、汽车和摩托车类别。这张图里有 9 个格子，所以对于每个格子都有这么一个向量。

这张图有两个对象，YOLO 算法做的就是，取两个对象的中点，然后将这个对象分配给包含对象中点的格子。所以左边的汽车就分配到绿色框标记的格子上，右边的汽车就分配到黄色框标记的格子上。即使中心格子同时有两辆车的一部分，我们就假装中心格子没有任何我们感兴趣的对象。所以对于中心格子，分类标签y和这个没有对象的向量类似：

绿色框和黄色框的格子目标标签应该是这样的：

所以对于这里 9 个格子中任何一个，你都会得到一个 8 维输出向量，因为这里是 3×3 的网格，所以有 9 个格子，总的输出尺寸是 3×3×8，所以目标输出是 3×3×8。

对于这个例子中，左上格子是 1×1×8，对应的是 9 个格子中左上格子的输出向量。所以总的目标输出标签尺寸就是 3×3×8：

如果你现在要训练一个输入为 100×100×3 的神经网络，现在这是输入图像，然后你有一个普通的卷积网络，卷积层，最大池化层等等，最后你会有这个，选择卷积层和最大池化层，这样最后就映射到一个 3×3×8 输出尺寸。所以你要做的是，有一个输入x，就是这样的输入图像，然后你有这些 3×3×8 的目标标签y。当你用反向传播训练神经网络时，将任意输入x映射到这类输出向量y。

所以这个算法的优点在于神经网络可以输出精确的边界框，所以测试的时候，你做的是喂入输入图像x，然后跑正向传播，直到你得到这个输出y。然后对于这里 3×3 位置对应的 9个输出,就可以知道9个位置之一是否有对象，对象类型是什么。只要每个格子中对象数目没有超过 1 个，这个算法应该是没问题的。实践中你可能会使用更精细的 19×19 网格，所以输出就是 19×19×8。这样的网格精细得多，那么多个对象分配到同一个格子得概率就小得多。

把对象分配到一个格子的过程是，你观察对象的中点，然后将这个对象分配到其中点所在的格子，所以即使对象可以横跨多个格子，也只会被分配到 9 个格子其中之一，就是 3×3 网络的其中一个格子，或者 19×19 网络的其中一个格子。在 19×19 网格中，两个对象的中点处于同一个格子的概率就会更低。

它显式地输出边界框坐标，所以这能让神经网络输出边界框，可以具有任意宽高比，并且能输出更精确的坐标，不会受到滑动窗口分类器的步长大小限制。其次，这是一个卷积实现，你并没有在 3×3 网格上跑 9 次算法，或者，如果你用的是 19×19 的网格， 19 平方是 361 次，所以你不需要让同一个算法跑 361 次。相反，这是单次卷积实现，但你使用了一个卷积网络，有很多共享计算步骤，在处理这 3×3 计算中很多计算步骤是共享的，或者你的 19×19 的网格，所以这个算法效率很高。

事实上 YOLO 算法有一个好处，也是它受欢迎的原因，因为这是一个卷积实现，实际上它的运行速度非常快，可以达到实时识别。

在 YOLO 算法中，对于这个方框，我们约定左上这个点是(0,0)，然后右下这个点是(1,1),要指定橙色中点的位置，${b_x}$大概是 0.4，${b_y}$大概是 0.3。然后边界框的高度用格子总体宽度的比例表示，所以这个红框的宽度可能是蓝线的 90%，所以${b_h}$是 0.9，它的高度也许是格子总体高度的一半，这样的话${b_w}$就是 0.5。换句话说，${b_x}$,${b_y}$,${b_h}$,${b_w}$单位是相对于格子尺寸的比例，所以${b_x}$,${b_y}$必须在 0 和 1 之间。如果它不在 0 和 1 之间，如果它在方块外，那么这个对象就应该分配到另一个格子上。