Deep learning 为什么YOLO将图像分割为网格单元?
我正在努力了解YOLO是如何为我正在做的项目工作的。我已经阅读了许多论文、文章和博客文章,但我仍然不确定为什么YOLO将整个图像划分为一个网格单元,并考虑每个单元进行计算。如果我们把整个图像看作一个细胞(没有分裂),会发生什么?这个网格单元的用途是什么?特定单元可以检测到的对象数量是否达到最大值?网格单元将网络预测置于一种更具结构的形式。每个网格单元对应一个特定的图像区域,这些单元预测其中心位于该区域的对象。因此,要利用图像的空间规则性优势,就需要有一个结构化的输出表示 每个网格单元可以对向量进行预测,该向量的形式为[objectness_值,bbox_h,bbox_w,bbox_cx,bbox_cy,p1,p2,…pn]Deep learning 为什么YOLO将图像分割为网格单元?,deep-learning,object-detection,yolo,cnn,Deep Learning,Object Detection,Yolo,Cnn,我正在努力了解YOLO是如何为我正在做的项目工作的。我已经阅读了许多论文、文章和博客文章,但我仍然不确定为什么YOLO将整个图像划分为一个网格单元,并考虑每个单元进行计算。如果我们把整个图像看作一个细胞(没有分裂),会发生什么?这个网格单元的用途是什么?特定单元可以检测到的对象数量是否达到最大值?网格单元将网络预测置于一种更具结构的形式。每个网格单元对应一个特定的图像区域,这些单元预测其中心位于该区域的对象。因此,要利用图像的空间规则性优势,就需要有一个结构化的输出表示 每个网格单元可以对向量进
- 客观价值:预测的可信度如何
- bbox_h、bbox_w、bbox_cx、bbox_cy:分别用于边界框高度、宽度、x轴中心坐标和y轴中心坐标的偏移
- p1,p2,…pn:每个对象类别的预测类概率。(共n个对象)