生成多個錨框（contrib.nd.MultiBoxPrior）
每個像素點構造多個錨框，假設設定一組大小s1,...,sn和一組寬高比r1,...,rm。然后每個像素組合，就有hwnm個錨框，一般情況下，只要s1,和r1的組合。即：
共wh(n+m-1)個錨框
交並比（IoU）
面試中有提問過。。。
標注訓練集的錨框
為了訓練檢測模型，為每一個錨框標注兩類信息（類別，與真實邊界框的偏移量offset）
目標檢測過程：
- 生成多個錨框
- 計算每個錨框的預測類別和偏移量
- 調整錨框位置
- 篩選需要輸出的預測邊界框
假設：
生成的錨框為A1,A2,...,Ana，真實邊界框為B1,B2,...,Bnb。（na>=nb）
矩陣Xna*nb 是對應錨框與真實邊界框的IoU，然后不停篩maxX即可，多余的na-nb，橫着查max，看是否達到閥值：
生成錨框的類別就弄好了，偏移量的計算：
其中：
A : 寬高 wa , ha , 中心 (xa , ya)
B : 寬高 wb , hb , 中心 (xb , yb)
若 A 沒有分配真實框 B，則 A 為背景（負類錨框）
%matplotlib inline import sys import gluonbook as gb from mxnet import image,nd,gluon,contrib import numpy as np np.set_printoptions(2) img = image.imread('./catdog.jpg').asnumpy() h, w = img.shape[0:2] h, w X = nd.random.uniform(shape=(1,3,h,w)) Y = contrib.nd.MultiBoxPrior(X,sizes=[0.75,0.5,0.25],ratios=[1,2,0.5]) Y.shape boxes = Y.reshape((h,w,5,4)) boxes[25,250,:,:] # 畫出一個像素的所有錨框 def show_bboxes(axes, bboxes, labels=None, colors=None): def _make_list(obj, default_values=None): if obj is None: obj = default_values elif not isinstance(obj, (list, tuple)): obj = [obj] return obj labels = _make_list(labels) colors = _make_list(colors, ['b', 'g', 'r', 'm', 'c']) for i, bbox in enumerate(bboxes): color = colors[i % len(colors)] rect = gb.bbox_to_rect(bbox.asnumpy(), color) axes.add_patch(rect) if labels and len(labels) > i: text_color = 'k' if color == 'w' else 'w' axes.text(rect.xy[0], rect.xy[1], labels[i], va='center', ha='center', fontsize=9, color=text_color, bbox=dict(facecolor=color, lw=0)) gb.set_figsize() bbox_scale = nd.array((w,h,w,h)) fig = gb.plt.imshow(img) show_bboxes(fig.axes,boxes[250,250,:,:]*bbox_scale,['s=0.75, r=1', 's=0.5, r=1', 's=0.25, r=1', 's=0.75, r=2', 's=0.75, r=0.5'])
labels = contrib.nd.MultiBoxTarget(anchors.expand_dims(axis=0), ground_truth.expand_dims(axis=0), nd.zeros((1, 3, 5))) # 標注類別 labels[2] # mask變量，用來過濾掉背景的偏移量 labels[1] # 偏移量 labels[0]