吴恩达深度学习第4课 3.8：锚框

视频封面

视频元信息

课程来源：吴恩达深度学习专项课程（Deep Learning Specialization）—— 卷积神经网络（CNN）第三周
课程主题：目标检测（Object Detection）—— 锚框（Anchor Boxes）
视频时长：约 9 分 36 秒
语言：中英双语（官方字幕）

内容摘要（TL;DR）

本节讲解目标检测中的锚框（Anchor Boxes） 机制。当多个物体的中心点落在同一个网格单元时，单一输出向量无法同时表示两个目标。锚框通过预定义多个不同形状的边界框，让每个网格单元可以输出多个检测结果。本节还介绍了锚框的标签编码方式、IOU 匹配规则、算法的局限性以及如何选择锚框。

一、问题引入：同一网格单元中的多目标冲突 [00:25]

1.1 问题的提出

在目标检测中，通常将图像划分为网格（如 3×3 或 19×19），每个网格单元负责检测中心点落在其中的物体。

notice that the midpoint of the pedestrian and the midpoint of the car are in almost the same place, and both of them fall into the same grid cell.

问题场景：当行人和汽车的中心点几乎位于同一位置，同时落入同一个网格单元时，该网格单元的输出向量 Y 无法同时输出两个检测结果。

考点： 这是锚框机制要解决的核心问题——一个网格单元需要检测多个物体。

1.2 原有输出格式的局限

在引入锚框之前，每个网格单元的输出向量 Y 为 8 维：

分量	含义
Pc	是否有物体（0/1）
Bx, By	物体中心点坐标
Bh, Bw	边界框的高和宽
C1, C2, C3	类别概率（行人、汽车、摩托车）

易错点： 当检测 3 个类别时，Y 输出这个向量，它无法输出 2 个检测结果，所以必须在两个检测结果中选一个输出。

理解：这就像一个人只能填一张表格，但面前有两个物体需要登记，信息必然丢失。

二、锚框的核心思想 [00:55]

2.1 什么是锚框

what you're going to do is predefined two different shapes called anchor boxes.

锚框（Anchor Boxes） 是预先定义的、具有不同形状（高宽比）的边界框模板。

一般可以使用 5 个甚至更多锚框
为简化说明，本节使用 2 个锚框

2.2 输出向量的扩展

引入锚框后，输出向量从 8 维扩展为 16 维（2 个锚框 × 8）：

锚框 1 对应的 8 个输出： Pc, Bx, By, Bh, Bw, C1, C2, C3

锚框 2 对应的 8 个输出： Pc, Bx, By, Bh, Bw, C1, C2, C3

重点： 输出向量本质上是将原来的 8 维向量重复两次，分别对应两个锚框。

2.3 物体与锚框的匹配

行人的形状更接近锚框 1 → 用前 8 个数编码：Pc=1，边界框参数，类别为行人
汽车的形状更接近锚框 2 → 用后 8 个数编码：Pc=1，边界框参数，类别为汽车

理解：锚框的作用类似于给每个网格单元配备了多个"专用检测器"，每个检测器负责一种特定形状的物体。

三、训练标签的编码规则 [02:48]

3.1 无锚框时的做法

for each object in the training set image, it was assigned to the grid cell that corresponds to that object's midpoint.

每个物体分配给包含其中心点的网格单元
输出 Y 的维度为 3×3×8

3.2 有锚框时的做法

each object is assigned to the same grid cell as before... but it is assigned to a grid cell and anchor box with the highest IOU with the object's shape.

关键步骤：

物体仍然分配给包含其中心点的网格单元
同时，将该物体分配给与其形状 IOU 最高 的锚框
最终物体被编码为 (网格单元, 锚框) 的组合

重点： 物体分配的目标是"网格单元 + 锚框"的配对，而不仅仅是网格单元。

3.3 输出维度的变化

配置	输出维度
无锚框（3×3 网格，3 类别）	3×3×8
有锚框（2 个锚框）	3×3×16
等价视角	3×3×2×8

推导：16 = 2 个锚框 × 8 维向量；也可以理解为 3×3 网格中每个格子有 2 个锚框，每个锚框输出 8 维。

拓展： 如果有更多类别（如 20 类），Y 的维度会更高。例如 COCO 数据集有 80 类，每个锚框的输出维度为 5 + 80 = 85 维（5 为 Pc + 4 个边界框参数）。

四、具体示例：标签 Y 的构造 [05:00]

4.1 场景一：行人和汽车同时存在

对于下方中间那个网格单元（箭头所指）：

锚框 1 部分（行人）：

Pc = 1（有物体）
Bx, By, Bh, Bw = 行人的边界框参数
C1, C2, C3 = 1, 0, 0（行人类别）

锚框 2 部分（汽车）：

Pc = 1（有物体）
Bx, By, Bh, Bw = 汽车的边界框参数
C1, C2, C3 = 0, 1, 0（汽车类别）

4.2 场景二：只有汽车，没有行人

锚框 2 部分保持不变（仍编码汽车）
锚框 1 部分：Pc = 0，其余参数为 don't cares（不关心）

易错点： 当某个锚框没有对应物体时，Pc=0，其余参数可以随意填写（don't care），因为损失函数不会计算这些无效分量。

思考：这种"don't care"的设计使得网络在训练时不会因为无物体锚框的参数而产生梯度，从而提高训练效率。

五、算法的局限性 [06:53]

5.1 无法处理的情况

锚框算法的两个主要局限：

同一网格单元中有 3 个或更多物体 时，算法无法很好地处理

同一网格单元中有 2 个物体但形状相同（对应同一个锚框）时，算法也无法处理

5.2 实际影响

这些情况在实际中 很少发生，尤其是在使用 19×19 网格时
161 个网格单元中，两个物体中心点重合的概率很低
即使发生，对性能影响也不大

理解：锚框机制本质上是一种"以空间换表达"的策略——通过增加输出维度来提升表达能力，但并非万能。

六、锚框的真正价值：让学习算法更专业化 [07:38]

6.1 更好的动机

maybe even better motivation or even better results that anchor boxes gives you is it allows your learning algorithm to specialize better.

核心价值： 锚框让学习算法能够 专业化（specialize）。

6.2 专业化机制

数据集中有 高瘦物体（如行人）和 宽扁物体（如汽车）
锚框允许：
- 部分输出单元专门检测宽扁物体（如汽车）
- 部分输出单元专门检测高瘦物体（如行人）

重点： 这是锚框比"解决多目标冲突"更重要的实际价值。

思考：这与神经网络中"不同神经元学习不同特征"的思想一致——通过结构设计引导网络分工，提高整体效率。

七、如何选择锚框 [08:34]

7.1 手工选择（传统方法）

选择 5 到 10 种不同形状的锚框
覆盖你预期检测的物体类型
包含高瘦型和宽扁型

7.2 K-means 聚类（进阶方法）

use a K-means algorithm to group together the type of object shapes you tend to get.

方法：

使用 K-means 算法对训练集中物体形状进行聚类
选择最具代表性的锚框形状
适用于检测数十种物体类别的场景

拓展： 这一方法在 YOLO v2 论文中被正式提出（"Dimension Clusters"），通过 K-means 聚类自动选择锚框尺寸，显著提升了检测精度。K-means 的距离度量通常使用 1 - IOU 而非欧氏距离。

7.3 选择建议

手工选择时，确保形状多样性
覆盖高瘦和宽扁两类极端形状
锚框数量与计算成本权衡（越多越慢）

八、关键概念解释

8.1 IOU（Intersection over Union，交并比）

定义： 两个边界框的交集面积除以并集面积。

公式： IOU = 交集面积 / 并集面积

作用：

判断两个边界框的重叠程度
在锚框匹配中，选择与物体形状 IOU 最高的锚框

理解：IOU 是目标检测中最常用的相似度度量，取值范围 [0, 1]，值越大表示两个框越重合。

8.2 锚框与边界框的区别

概念	含义
锚框（Anchor Box）	预定义的形状模板，固定不变
边界框（Bounding Box）	模型预测的实际物体位置，可调整

思考：锚框是"先验知识"，边界框是"预测结果"。网络学习的是从锚框到真实边界框的偏移量。

8.3 网格单元与锚框的关系

网格单元：负责检测中心点落在其中的物体
锚框：负责检测特定形状的物体
组合：一个网格单元 + 一个锚框 = 一个检测槽位

重点： 输出维度 = 网格数 × 锚框数 × 每锚框输出维度

九、易错点与注意事项

锚框使用中的常见陷阱：

锚框数量选择：太少无法覆盖物体形状多样性，太多增加计算量

IOU 阈值设置：匹配锚框时需合理设置 IOU 阈值

don't care 参数：Pc=0 时其余参数不参与损失计算，但需正确设置

维度计算错误：输出维度 = 锚框数 × (5 + 类别数)

锚框形状与数据不匹配：锚框形状应基于训练数据分布选择

易错点： 不要混淆"网格单元分配"和"锚框分配"——物体先分配到网格单元，再分配到锚框，是两个独立的步骤。

十、本节总结

锚框解决的问题：同一网格单元中多个物体的检测冲突
核心机制：预定义多个形状模板，扩展输出向量维度
标签编码：物体分配给"网格单元 + 最高 IOU 锚框"的组合
输出维度：从 3×3×8 变为 3×3×16（2 个锚框）
真正价值：让学习算法专业化，分别检测不同形状的物体
锚框选择：手工选择或 K-means 聚类
局限性：无法处理 3 个以上物体或同形状多物体的情况

下节预告： 下一节将把之前学到的所有内容整合起来，形成完整的 YOLO 算法。

关键标签 / 关键词

锚框 Anchor Boxes 目标检测 Object Detection YOLO IOU 交并比 网格单元 Grid Cell 边界框 Bounding Box K-means 深度学习 吴恩达 CNN 计算机视觉 多目标检测 标签编码 损失函数