常州抖音seo,保定seo推广公司,网站建设学习多少钱,网络推广的平台在上篇博客《锚框【目标检测】》中，我们以输入图像的每个像素为中心，生成多个锚框。基本而言，这些锚框代表了图像不同区域的样本。然而如果以每个像素都生成的锚框，最后可能会得到太多需要计算的锚框。想象一个561728的输入图像，如果以每个像素为中心生成五个形状不同的锚…在上篇博客《锚框【目标检测】》中，我们以输入图像的每个像素为中心，生成多个锚框。基本而言，这些锚框代表了图像不同区域的样本。然而如果以每个像素都生成的锚框，最后可能会得到太多需要计算的锚框。想象一个561×728的输入图像，如果以每个像素为中心生成五个形状不同的锚框，就需要在图像上标记和预测超过200万个锚框（561×728×5）。
多尺度锚框 减少图像上的锚框数量并不困难，比如可以在输入图像中均匀采样一小部分像素，并以它们为中心生成锚框。直观地说，比起较大的目标，较小的目标在图像上出现的可能性更多样。例如1×1、1×2和2×2的目标可以分别以4、2和1种可能的方式出现在2×2的图像上。因此当使用较小的锚框检测较小的物体时，我们可以采样更多的区域，而对于较大的物体，我们可以采样较少的区域。 我们将卷积图层的二维数组输出称为特征图。通过定义特征图的形状，我们可以确定任何图像上均匀采样锚框的中心。 display_anchor函数定义如下，我们在特征图（fmap）上生成锚框（anchors），每个单位像素作为锚框的中心。然后将特征图中的锚框后向映射至输入图像。
import torch as t
import matplotlib.pyplot as pltimg = plt.imread('catdog.jpg')
h,w = img.shape[:2]def display_anchors(fmap_w, fmap_h, s):# 前两个维度的值不影响输出fmap = t.zeros((1,10,fmap_h, fmap_w), dtype=t.float32)an
