Single-shot Multibox Detection：在为训练编码数据时使用方差答案

【问题标题】：Single-shot Multibox Detection: usage of variance when encoding data for trainingSingle-shot Multibox Detection：在为训练编码数据时使用方差
【发布时间】：2018-07-15 00:37:20
【问题描述】：

在代码中实现Single-shot multibox detector 时，我无法理解“方差”的概念。
我正在阅读 this 和 this 存储库。

在训练时，位置输入数据是默认框（锚框、先前框）坐标（Δcx、Δcy、Δw、Δh）相对于真实边界框坐标的增量编码坐标。
我不明白的部分是它何时将 0.1 编码为 Δcx 和 Δcy，将 0.2 编码为 Δw 和 Δh。

为什么这是必要的？或者我应该问，这会对培训结果产生什么影响？
我还研究了原始的 caffe 实现，但在那里找不到太多解释，而不是它们在训练时被编码并被重新用于解码以进行推理。
我没有太多数学背景，但欢迎对数学理论链接等提出任何建议。
提前致谢！

【问题讨论】：

您希望 logits 和回归量在相同的值范围内。 logits 约为 [-10, 10]，回归量（缩放前）约为 [-1, 1]。因此缩放比例约为 10。

标签： python tensorflow deep-learning keras object-detection

【解决方案1】：

a thread 在最初的 caffe 实现和我正在处理的存储库之一 here 中讨论了这个问题。
SSD论文作者says：

您可以将其视为用于调整先验框的近似高斯分布。或者您可以将其视为缩放定位梯度。方差也用于原始 MultiBox 和 Fast(er) R-CNN。

我正在处理的 repo 的作者says：

命名可能源于这样的想法，即ground truth边界框并不总是精确的，换句话说，它们可能因图像与图像的不同而不同，可能是因为人类标注者不能理想地重复自己.因此，编码值是一些随机值，我们希望它们具有单位方差，这就是我们除以某个值的原因。为什么将它们初始化为代码中使用的值 - 我不知道，可能是作者的一些经验估计。

【讨论】：

【解决方案2】：

我也想知道同样的问题，为什么总是需要以固定的方差进行除法和乘法？另外，如果我们只是在没有这个“编码”和“解码”步骤的情况下进行回归，它会对训练产生那么大的影响吗？

【讨论】：

这与通过减去均值并除以标准差来标准化图像相同。在大多数情况下，唯一的区别是您对输入数据进行了归一化，而在这里您对地面实况数据进行了归一化。基本上你只是让 NN 的任务更简单。我还将在下个月开设有关对象检测的实用课程。因此，如果有人对此感兴趣，请点击链接upscri.be/vg7ilp