理工酷

在图像分类中，我们感兴趣的是不受位置影响的对象的类别，然后可以通过定位它们来进一步扩展这一点，这被称为对象检测。

让我们从一个基本的例子开始，来说明如何实现这一点。我们可以在卷积神经网络(CNN)的最终卷积(conv)特征映射上添加一个回归头。

回归头可以是一个只有四种输出(x,y,w,h)的浅层全连接神经网络(NN)，其中，(x,y)=边框中心，w=宽度，h=高度。

我们可以使用基于梯度的优化算法优化回归头。但是，存在一个局限性，这仅适用于存在一次的一个已知对象。如果我们在场景中有两个或更多的对象，就会对边界框的回归产生干扰，因为每个对象不管它们在场景中的什么位置，都会影响到回归头。

虽然我们可以通过每个对象类具有一个回归头来局部解决这个问题，但是，同一个类的多个对象的同时出现仍然是一个问题，这仍然会引起干扰。

因此，解决方案是约束每个回归头只考虑图像上的一个有限区域，这样他们就不会干扰。但如果物体非常接近，仍然会有干扰。所以，当同一个类的两个对象强烈重叠时，这个方法仍然不能很好地工作。

为了约束每个回归头，我们使用anchor boxes。

当一个对象的ground真值边界框与特定锚点的并集(IoU)有很高的交集时，与该锚点相关的回归头将负责回归最终的边界框。因此，在优化过程中，与地面真相相关的任何正确/不正确的边界框预测都会受到表扬/批评。

这种方法训练后，每个回归头是空间独立的，很少受到其他的干扰。因此，即使同一个类的多个对象可用，只要这些对象之间不严重重叠，它们也不会相互干扰。

因此，锚点作为参考和空间约束，限制了回归头的空间范围，使锚点以外的区域不会干扰回归过程。这就是为什么在损失中使用带有相应地面真值框的锚点的IoU来确保每个回归头在空间上受到约束的原因。