闲聊！谈谈目标检测中对坐标进行预测的相关问题~

闲聊！谈谈目标检测中对坐标进行预测的相关问题~

今天，在刷zh的时候，偶然看到了一篇blog，直接上图~

https://www.zhihu.com/question/304307091?sort=created

（我省略了作者的信息了~若侵权，请联系我删除）

一、问题

刷到这条blog，我很高兴！因为在我deep learning的学习过程中，也一直有这样的问题。我一眼就能看懂作者的意思，他的想法就是：为什么我喂进了一张待预测的图片到训练好的网络中，网络输出的就是最终的预测结果。就比如说吧，现在是yolov3，已经经过训练好的哦，我现在喂进了一张448 * 448的待预测图片，只要看过原论文的人都知道，网络会生成三个预测head：P1,P2,P3，现在就假设P1的维度是（1，20，20，36），其中1表示batch_size，20表示P1的feature map的大小，36表示feature map每个anchor所产生的3个锚点框经过网络经过调整之后的预测框所包含的信息（1 + 4 + 7）。就比如说（1，3，4，）中的36个数字，为什么前12个数字表示在这张feature map中第（3,4）个锚点所生成的第一个预测框的信息？又为什么12-24个数字表示在这张feature map中第（3,4）个锚点所生成的第二个预测框的信息？最后12个数字也是一样的道理。

二、自己的看法

我先说说自己的想法，为了好看，我就分条进行解释。

1.首先呢，我想说一下，其实深度学习的本质其实就是y = a * x + b，现在可以理解为x表示的是图片本身，y表示图片中目标的位置信息。而网络训练其实就是训练其中的a和b，经过大量的数据进行训练，a和b就能够让新进入的x生成y，也就是能够得到待预测图片中目标的位置信息。

2.第一条中我其实并没有直面回答作者的问题，但是我认为这点还是有必要说清楚的。我现在来回答作者的问题：在1中训练的时候，x我用的就是前12个数字表示在这张feature map中第（3,4）个锚点所生成的第一个锚点框，12-24个数字表示在这张feature map中第（3,4）个锚点所生成的第二个锚点框的信息，12-24个数字表示在这张feature map中第（3,4）个锚点所生成的第三个锚点框的信息。那么，我对于新的x，肯定也会生成跟我之前训练的数据格式一样的信息啊~

三、还有一个问题

在这篇blog中，我还看到了一些评论：为什么不直接对坐标进行回归， 非要对坐标的偏移量作为标签，然后对其进行回归呢？
我看到有一条评论写的已经很全了：
yolo v1直接预测x, y, w, h，计算坐标loss使用平方差，yolo v1对w, h取了平方根，但是直接预测真实框的坐标值会导致定位不准确，原因是：假设这个loss为1，loss看起来很低，但是对于小框而言，轻微的坐标数值上的偏移，导致视觉上极大的预测偏差，假设这个loss为10，loss看起来很大，但是对于大框而言，很高的坐标数值上的偏移，导致视觉上很小的预测偏差，一句话总结：直接预测真实坐标所产生的loss并不能真正反映预测框的好坏(yolo v1对w, h取了平方根，可以有效缓解这个问题，但是并不能解决这个问题)

上图中，红色的大的锚点框与其对应的预测框，就对框的左上角的坐标进行回归，要是用坐标直接回归，黑色笔部分其实就是直接的差值，蓝色的小的锚点框与其对应的预测框，同样都是相同距离的偏移，但是很明显就能看到，小框就有很大的偏移，而大的框却只有很小的框~所以一般都用偏移量作为标签进行回归。