bounding boxs regression(边界框回归)

有时得到的预测框并不能准确的选中目标，也就是预测框和真实框（ground  truth）之间有差距，

令：预测框的预测数据为P(Px,Py,Pw,Ph)，真实框为T(Tx,Ty,Tw,Th),回归框为R（Rx,Ry,Rw,Rh）

当预测框与真实框之间的iou大于0.6时，可以认为两者之间存在线性关系（因为两者之间很接近）

 

 

 为了使预测框变成真实框，那么我们需要找到一变换，使得

f(P)=R≈T

在rcnn 中

Tx≈Rx=Px+Pw.dx(p)

Ty≈Ry=Py+Ph.dy(p)

Tw≈Rw=Pw.exp(dw(p))

Th≈Rh=Ph.exp(dh(p))

那么要学习的参数为：dx(p)，dy(p)，dw(p)，dh(p)

目标函数为：

T≈R=W.P

其中：P是输入的proposal的特征向量，W需要学习的参数，R是回归值，T是真实值。

那么可以定义损失函数(最小二乘法)：

loss=∑(T-W.P)²,

得到W权重值。

那么就可以用W.P得到回归值。