Neural network 对于YOLO损失函数,为了获得项1objij的值,需要进行什么计算?
我试图了解如何计算带圆圈的项的值,需要比较哪些输入/输出 让我们以第一个术语为例,如果我理解正确,它是这样的: 假设我对第一个单元格、第一个边界框(yolov1=2 bbs)的预测值为 我真正的价值观是Neural network 对于YOLO损失函数,为了获得项1objij的值,需要进行什么计算?,neural-network,conv-neural-network,object-detection,loss-function,yolo,Neural Network,Conv Neural Network,Object Detection,Loss Function,Yolo,我试图了解如何计算带圆圈的项的值,需要比较哪些输入/输出 让我们以第一个术语为例,如果我理解正确,它是这样的: 假设我对第一个单元格、第一个边界框(yolov1=2 bbs)的预测值为 我真正的价值观是 [pr, x, y, W, H] [1, 0.6, 0.4, 0.2, 0.2] 这意味着公式是这样的 5*(1或0)((0.6-0.5)^2+(0.4-0.3)^2) 是否有人可以提供一个逐步确定1或0的指标的示例 我们是否正在查看培训集图像中的标签? 我们在看预测的客观分数吗? 借据 根
[pr, x, y, W, H]
[1, 0.6, 0.4, 0.2, 0.2]
这意味着公式是这样的
5*(1或0)((0.6-0.5)^2+(0.4-0.3)^2)
是否有人可以提供一个逐步确定1或0的指标的示例
我们是否正在查看培训集图像中的标签?
我们在看预测的客观分数吗?
借据
根据YOLO的论文:
1objij:表示单元i中的第j个边界框预测器为
对这一预测“负责”
1对象:表示对象是否出现在单元格i中
但这句话并不能帮我回答我的问题。。。
任何帮助都将不胜感激。据我所知,每个网格单元,2个盒子
box1 = [.7, 0.5, 0.3, 0.1, 0.1]
box2 = [1, 0.61, 0.41, 0.21, 0.21]
显然
IOU(box2,ground-truth box) > IOU(box1,ground-truth box)
当我们计算损失时,我们不考虑BOX1,也就是说
1objij(i=0,j=0) = 0
1objij(i=0,j=1) = 1
1objij
是0
或1
:
- 如果训练数据中的单元格为空,则始终为
,在您的示例中,如果训练数据中的0
值为pr
。注意:在训练数据中,0
的值为pr
或0
,此值不可能有其他值1
- 如果在
的训练数据中存在pr
,则它还取决于预测边界框的1
,以及基本事实。Yolo预测每个单元格的IoU
边界框,最高的B
边界框对应的IoU
的值是1objij
对于所有其他边界框预测,它是1
0
- 当我试图回答
时,它使用了来自训练数据的1objij
,以及来自预测和训练数据的pr
IoU
仅使用来自培训数据的1obji
pr
1objij(i=0,j=0) = 0
1objij(i=0,j=1) = 1