yolo算法的坐标输出代表什么？答案

【问题标题】：What does the coordinate output of yolo algorithm represent?yolo算法的坐标输出代表什么？
【发布时间】：2018-09-22 09:41:50
【问题描述】：

我的问题与此主题类似。当我开始思考 yolo 算法的输出时，我正在观看 Andrew Ng 的关于边界框预测的讲座。让我们考虑这个例子，我们使用 19x19 的网格和只有一个具有 2 个类的感受野，所以我们的输出将是 => 19x19x1x5。最后一维（大小为 5 的数组）表示如下：

1) The class (0 or 1)  
2) X-coordinate  
3) Y-coordinate  
4) height of the bounding box  
5) Width of the bounding box

我不明白 X，Y 坐标是代表整个图像大小的边界框，还是仅仅代表感受野（过滤器）。在视频中，边界框被表示为感受野的一部分，但逻辑上感受野比边界框小得多，而且人们可能会修改过滤器的大小，因此相对于过滤器定位边界框是没有意义的。

那么，基本上图像边界框的坐标代表什么？

【问题讨论】：

标签： machine-learning deep-learning computer-vision conv-neural-network yolo

【解决方案1】：

来自Understanding YOLO 发帖@Hacker Noon：

每个网格单元预测 B 个边界框以及 C 类概率。边界框预测有 5 个分量：(x, y, w, h，信心）。 (x, y) 坐标代表中心框，相对于网格单元位置（请记住，如果中心盒子的不落在网格单元格内，而不是这个单元格负责）。这些坐标被归一化为介于 0 和 1。(w, h) 框尺寸也归一化为 [0, 1]，相对于图像大小。我们来看一个例子：

【讨论】：

那么说该算法将图像检测视为回归问题是否正确？
@AyushChaurasia 确实，对象检测涉及分类和回归...
在很多博客中他们都使用了wrt full image，我相信wrt grid效果更好
@desertnaut 是否将它们归一化为 0-1，以便可以在输出层使用 sigmoid？