Computer vision 使用K-均值聚类生成锚盒,YOLO
我试图了解YOLO的工作原理,以及它是如何检测图像中的物体的。我的问题是,k-means聚类在检测对象周围的边界框时扮演什么角色?谢谢。K-均值聚类算法是数据科学中非常著名的算法。该算法旨在将Computer vision 使用K-均值聚类生成锚盒,YOLO,computer-vision,k-means,object-detection,bounding-box,yolo,Computer Vision,K Means,Object Detection,Bounding Box,Yolo,我试图了解YOLO的工作原理,以及它是如何检测图像中的物体的。我的问题是,k-means聚类在检测对象周围的边界框时扮演什么角色?谢谢。K-均值聚类算法是数据科学中非常著名的算法。该算法旨在将n观测值划分为k簇。主要包括: 初始化:K表示随机生成(即质心) 分配:通过将每个观测值与最近的质心相关联形成聚类 更新群集:新创建的群集的质心变为平均值 赋值和更新重复发生,直到收敛。 最终结果是,点与其各自质心之间的平方误差之和最小化 编辑: 为什么要使用K手段 与其他无监督学习算法相比,K-means
n
观测值划分为k
簇。主要包括:
K
表示随机生成(即质心)谢谢 一般来说,对象的边界框由以下形式的元组给出 (x0,y0,x1,y1),其中x0,y0是左下角的坐标,x1,y1是右上角的坐标 需要从这些坐标中提取宽度和高度,并根据图像宽度和高度规范化数据 K-均值的度量
这个过程可以重复,直到收敛。我想这只是解释了IOU是如何工作的,而不是k-means在YOLO中是如何工作的??嗨,谢谢你,我接受了你的答案,因为这是我一直在寻找的问题。