使用K均值聚类生成锚框

Question

我试图了解YOLO的工作原理以及它如何检测图像中的物体。我的问题是，k均值聚类在检测对象周围的边界框时起什么作用？谢谢。

Answer 1

通常，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，并针对图像的宽度和高度标准化数据。

K均值指标

1. 欧几里德距离
2. IoU（Jaccard索引）

IoU比以前更好

Jaccard索引=（选定框与簇头框之间的交集）/（选定框与簇头框之间的联合）

在初始化时，我们可以选择k个随机框作为簇头。根据IoU值>阈值将锚定框分配给各个群集，并计算群集的平均IoU。

可以重复此过程，直到收敛为止。

Answer 2

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个观测划分为k个簇。主要包括：

1. 初始化：K表示（即质心）是随机生成的。

2. 分配：通过将每个观察值与最近的质心相关联来形成聚类。

3. 更新聚类：新创建的聚类的质心变为均值。

分配和更新将反复进行，直到收敛为止。 最终结果是最小化了点及其质心之间的平方误差总和。

编辑：

  

为什么用K表示

与其他无监督学习算法相比，k-means在计算上更快，更高效。不要忘记时间复杂度是线性的。
1. 它产生的聚类要比层次聚类高。群集数量更多有助于获得更准确的最终结果。
2. 重新计算质心时，实例可以更改群集（移至另一个群集）。
3. 即使您的某些假设被打破，效果也很好。

  

确定锚框的真正作用

1. 它将为表示形状，位置，大小等的每个预测变量创建一个锚框（即k均值的簇）。
2. 对于每个锚点框，计算哪个对象的边界框具有最高重叠率除以非重叠率。这称为“联合路口或IOU”。
3. 如果最高IOU大于50％（可以自定义），请告诉锚框它应该检测到具有最高IOU的对象。
4. 否则，如果IOU大于40％，请告诉神经网络真实的检测是模棱两可的，不要从该示例中学习。
5. 如果最高IOU小于40％，则应预测没有对象。

谢谢！