bounding box（max 移动窗口时候显示bounding box 在哪里设置）

max 移动窗口时候显示bounding box 在哪里设置

• 按下Q，，在显示面版里设置

• 呵呵，这个容易，按一下o英文字母，就行了。再拖动窗口看看。

• max————————什么东东？bounding box————什么东东？

MATLAB 中boundingbox是什么意思啊，什么是最小包含矩阵

• 包围某个目标的最小矩形

• regionprops。它的用途是get the properties of region，即用来度量图像区域属性的函数。 语法STATS = regionprops(L,properties)描述测量标注矩阵L中每一个标注区域的一系列属性。L中不同的正整数元素对应不同的区域，例如：L中等于整数1的元素对应区域1；L中等于整数2的元素对应区域2；以此类推。返回值STATS是一个长度为max(L(:))的结构数组，结构数组的相应域定义了每一个区域相应属性下的度量。如果 properties 等于 ’basic’，则属性: ’Area’, ’Centroid’, 和 ’BoundingBox’ 将被计算。’Area’是标量，计算所标记区域的像素总个数，也可以认为是标记区域的面积。’Centroid’是区域的重心。’BoundingBox’是包含区域的最小矩形，该区域应在最小矩形内部。

实例分割/语义分割时旋转Bounding Box导致边框变宽

首先说结论： 对含有Bounding Box和Mask的目标进行旋转时，以Mask旋转为准，对Mask进行旋转之后计算外接矩形，而直接旋转Bounding Box再求外接矩形会产生偏差。

原因其实很容易理解，对于一些倾斜的目标，本身Bounding Box就有一定的偏差，旋转之后导致原先框中空白的区域不断扩大，就会导致边框变宽。 下面举例说明一下： 如果原图中的Bounding Box和Mask是水平竖直的，比如这种：

那么进行旋转也没有异常，这种情况下不管是用Bounding Box还是Mask算出来的旋转角都是一样的：

可以看出这个框左右都多出来一块，这就是产生了误差。 如果对Mask进行旋转，得到的正常结果是这样的：

手画了一下错误原因： 原图（黑色为目标，蓝色为正常坐标系与Bounding Box）

旋转图（黑色为目标，红色为正常坐标系与重新计算的Bounding Box）

MATLAB 中boundingbox是什么意思

regionprops。它的用途是getthepropertiesofregion，即用来度量图像区域属性的函数。语法STATS=regionprops(L,properties)描述测量标注矩阵L中每一个标注区域的一系列属性。L中不同的正整数元素对应不同的区域，例如：L中等于整数1的元素对应区域1；L中等于整数2的元素对应区域2；以此类推。返回值STATS是一个长度为max(L(:))的结构数组，结构数组的相应域定义了每一个区域相应属性下的度量。如果properties等于’basic’，则属性:’Area’,’Centroid’,和’BoundingBox’将被计算。’Area’是标量，计算所标记区域的像素总个数，也可以认为是标记区域的面积。’Centroid’是区域的重心。’BoundingBox’是包含区域的最小矩形，该区域应在最小矩形内部。

bounding box中文是什么意思

bounding box 包围盒; The smallest squared distance between the point and this bounding box.点和这个边界框之间的最小平方距离。

如何更改eps或者ps文件的大小，或者bounding box

打开eps或者ps文件然后选择File--》 ps to eps ;然后你可以自己选尺寸，或者用auto来自动选择尺寸。method2： 使用Gsview软件 然后选择File--》 convert 选择分辨率， 可以改变文件大小但是可能丢失bounding box， 导致eps不好用。method3：使用acrobat， 另存为eps，可以缩小约50%的大小

哪位高手能告诉我FPGA布局中net，bounding box，pin，指的是什么，越具体越好，最好能留下qq号码交流一下

如果是学习的话精神可嘉，如果是工作的话，这些了解个大概就可以了。实际应用中一般由软件自动完成。FPGA可以简单的类比成一个电路板，布局相当于器件的摆放（FPGA内部使用到的具体逻辑资源），net就相当于电路板中的走线（连接各个逻辑资源之间的走线），pin就相当于电路板的输入输出接口。

在MATLAB中boundingbox是什么意思！

在MATLAB中boundingbox是get the properties of region，即用来度量图像区域属性的函数。 MATLAB是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。MATLAB是matrix&laboratory两个词的组合，意为矩阵工厂（矩阵实验室）。是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的模式，代表了当今国际科学计算软件的先进水平。

【目标检测】YOLO论文详解（You Only Look Once: Unified, Real-Time Object Detection）

***隐藏网址***

YOLO（you only look once）是继RCNN、faster-RCNN之后，又一里程碑式的目标检测算法。yolo在保持不错的准确度的情况下，解决了当时基于深度学习的检测中的痛点---速度问题。下图是各目标检测系统的检测性能对比：

如果说faster-RCNN是真正实现了完全基于深度学习的端到端的检测，那么yolo则是更进一步，将 目标区域预测 与 目标类别判断 整合到单个神经网络模型中。各检测算法结构见下图：

每个网格要预测B个bounding box，每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息，其值是这样计算的：

其中如果有object落在一个grid cell里，第一项取1，否则取0。第二项是预测的bounding box和实际的groundtruth之间的IoU值。

每个bounding box要预测(x, y, w, h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。即SxS个网格，每个网格除了要预测B个bounding box外，还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。（注意：class信息是针对每个网格的，即一个网格只预测一组类别而不管里面有多少个bounding box，而confidence信息是针对每个bounding box的。）

举例说明: 在PASCAL VOC中，图像输入为448x448，取S=7，B=2，一共有20个类别(C=20)。则输出就是7x7x30的一个tensor。整个网络结构如下图所示：

在test的时候，每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score:

等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。

得到每个box的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS（非极大值抑制non-maximum suppresssion）处理，就得到最终的检测结果。

1、每个grid因为预测两个bounding box有30维（30=2*5+20），这30维中，8维是回归box的坐标，2维是box的confidence，还有20维是类别。其中坐标的x,y用bounding box相对grid的offset归一化到0-1之间，w,h除以图像的width和height也归一化到0-1之间。

2、对不同大小的box预测中，相比于大box预测偏一点，小box预测偏一点肯定更不能被忍受的。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。这个参考下面的图很容易理解，小box的横轴值较小，发生偏移时，反应到y轴上相比大box要大。其实就是让算法对小box预测的偏移更加敏感。

3、一个网格预测多个box，希望的是每个box predictor专门负责预测某个object。具体做法就是看当前预测的box与ground truth box中哪个IoU大，就负责哪个。这种做法称作box predictor的specialization。

4、损失函数公式见下图：

在实现中，最主要的就是怎么设计损失函数，坐标（x,y,w,h），confidence，classification 让这个三个方面得到很好的平衡。简单的全部采用sum-squared error loss来做这件事会有以下不足：

解决方法：

只有当某个网格中有object的时候才对classification error进行惩罚。只有当某个box predictor对某个ground truth box负责的时候，才会对box的coordinate error进行惩罚，而对哪个ground truth box负责就看其预测值和ground truth box的IoU是不是在那个cell的所有box中最大。

作者采用ImageNet 1000-class 数据集来预训练卷积层。预训练阶段，采用网络中的前20卷积层，外加average-pooling层和全连接层。模型训练了一周，获得了top-5 accuracy为0.88（ImageNet2012 validation set），与GoogleNet模型准确率相当。

然后，将模型转换为检测模型。作者向预训练模型中加入了4个卷积层和两层全连接层，提高了模型输入分辨率（224×224-》448×448）。顶层预测类别概率和bounding box协调值。bounding box的宽和高通过输入图像宽和高归一化到0-1区间。顶层采用linear activation，其它层使用 leaky rectified linear。

作者采用sum-squared error为目标函数来优化，增加bounding box loss权重，减少置信度权重，实验中，设定为\lambda _{coord} =5 and\lambda _{noobj}=0.5 。

作者在PASCAL VOC2007和PASCAL VOC2012数据集上进行了训练和测试。训练135轮，batch size为64，动量为0.9，学习速率延迟为0.0005。Learning schedule为：第一轮，学习速率从0.001缓慢增加到0.01（因为如果初始为高学习速率，会导致模型发散）；保持0.01速率到75轮；然后在后30轮中，下降到0.001；最后30轮，学习速率为0.0001。

作者还采用了dropout和 data augmentation来预防过拟合。dropout值为0.5；data augmentation包括：random scaling，translation，adjust exposure和saturation。

YOLO模型相对于之前的物体检测方法有多个优点：

1、 YOLO检测物体非常快

因为没有复杂的检测流程，只需要将图像输入到神经网络就可以得到检测结果，YOLO可以非常快的完成物体检测任务。标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。更快的Fast YOLO检测速度可以达到155 FPS。而且，YOLO的mAP是之前其他实时物体检测系统的两倍以上。

2、 YOLO可以很好的避免背景错误，产生false positives

不像其他物体检测系统使用了滑窗或region proposal，分类器只能得到图像的局部信息。YOLO在训练和测试时都能够看到一整张图像的信息，因此YOLO在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。和Fast-R-CNN相比，YOLO的背景错误不到Fast-R-CNN的一半。

3、 YOLO可以学到物体的泛化特征

当YOLO在自然图像上做训练，在艺术作品上做测试时，YOLO表现的性能比DPM、R-CNN等之前的物体检测系统要好很多。因为YOLO可以学习到高度泛化的特征，从而迁移到其他领域。

尽管YOLO有这些优点，它也有一些缺点：

1、YOLO的物体检测精度低于其他state-of-the-art的物体检测系统。

2、YOLO容易产生物体的定位错误。

3、YOLO对小物体的检测效果不好（尤其是密集的小物体，因为一个栅格只能预测2个物体）。

yolo 算法 网格的两个bounding box大小是怎么确定的

我感觉是训练出来的，输出的数据里面有bbox的x,y,w,h，然后将预测出来的x,y,w,h和真实值比较，通过反向传播修改前面神经网路的参数，经过多次迭代，就能得到理想的bbox。在测试时训练好的神经网络看到当前网格的一些信息，就能推测出应该用怎么的bbox。我刚刚也在想这个问题，突然想到这种解释，也不知道对不对。