请教各位高手，如何理解anchor box在yolo中的实际运作？ 不考虑anchor-free的类型， 举个例子，在简单的情况下， 假设在没有anchor box的情况下， 假设有 3 + 1 个物体类别（车子、人、猫咪以及背景）。 对於一张图片(尺寸为12 x 12)， 假设将其划分成 3 x 3 个 cell，那麽其中每个cell的尺寸为 4 x 4 pixel。 假设卷积的间隔是 4 (sliding windows的大小)，假设我们只用一次卷积层， 来获得预测结果。 那麽结果会是一个 3 x 3 x 8 的张量（tenser）， 其中 3 x 3 对应到上面划分的 cell 位置， 而 8 代表一个向量(Pc, Bx, By, Bh, Bw, C1, C2, C3)， 其中 Pc 代表这个cell有没有可辨识的物体， (Bx, By, Bh, Bw)代表Bounding box的位置， (C1, C2, C3)代表了是哪个物体的机率，这里不考虑背景。 今天我想理解anchor box在YOLO中实际的运作模式， 我参考了 https://reurl.cc/kVz7jx 中的影片。 理解了假设有 2 个 anchor 的话， 那麽结果会是一个 3 x 3 x 2 x 8 的张量（tenser）。 问题来了，anchor可以像是影片中长的、宽的， 那整个卷积过程在训练中是如何运作？ 在训练过程中，我的理解是将每个cell去做padding， 这里的padding需要考虑两个情况， 一个是边边的部份，不足可以用补 0 来填空， 另一个是中间，就延伸考虑 cell 外面的 pixel ， 让 cell 经过 padding 变成跟anchor box一样的大小， 将 anchor box 当作一个 filter 去对每个 cell 做卷积， 这样做结果就会是 3 x 3 x 1 x 8 ， 然後我有两个 anchor box ，所以结果就会是影片中 3 x 3 x 2 x 8 的形状。 以上好像说的通，但实际上我是瞎掰脑补的，参考影片中的 4:56 秒， 这里我看不懂它考虑两个 anchor box 的说明， 我只看得懂要选最大的IoU，也不知道是谁跟谁比， 总之跟我前面的理解差的有点多... 想了很久想不通，Google找到的资料都是那几张图， 然後看不懂还是看不懂。 有没有大神可以从这个简单的范例说明， anchor box 在训练中如何运作？ 在预测中又是如何使用？ 谢谢。 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 118.168.196.186 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/DataScience/M.1620034693.A.E90.html ※ 编辑: wheado (118.168.196.186 台湾), 05/03/2021 17:39:48