"BB regression algorithms used in R-CNN variants" 与 "BB in YOLO" 本地化技术有何区别？
What's the difference between "BB regression algorithms used in R-CNN variants" vs "BB in YOLO" localization techniques?
问题：
What's the difference between the bounding box(BB) produced by "BB regression algorithms in region-based object detectors" vs "bounding box in single shot detectors"? and can they be used interchangeably if not why?
在了解用于对象检测的 R-CNN 和 Yolo 算法的变体时，我遇到了执行对象检测的两种主要技术，即基于区域的 (R-CNN) 和基于小众滑动 window 的 (YOLO ).
两者都在两种机制中使用不同的变体（从复杂到简单），但最终，它们只是使用边界框来定位图像中的对象！。我只是想专注于下面的本地化（假设正在进行分类！），因为这与提出的问题更相关并简要解释了我的理解：
基于区域:
- 在这里，我们让神经网络预测连续变量（BB坐标）并将其称为回归。
- 定义的回归（根本不是线性的），只是一个CNN或其他变体（所有层都是可微的），输出是四个值（，，ℎ，），其中（，）指定左角位置的值和 (ℎ,) BB 的高度和宽度。
- 为了训练这个神经网络，当神经网络的输出与训练集中标记的 (,ℎ,) 非常不同时，使用平滑的 L1 损失来学习精确的 BB！
niche-Sliding window（卷积实现！）基于：
- 首先，我们将图像分成 19*19 个网格单元。
- 将对象分配给网格单元的方法是选择对象的中点，然后将该对象分配给包含该对象中点的任何一个网格单元。所以每个对象，即使对象跨越多个网格单元，该对象也只会分配给 19 x 19 网格单元之一。
- 现在，您获取此网格单元的两个坐标，并使用
等方法计算该对象的精确 BB(bx, by, bh, bw)
- (bx, by, bh, bw) 是相对于网格单元的，其中 x 和 y 是中心点，h 和 w 是精确 BB 的高度，即边界框的高度指定为分数网格单元的总宽度和 h&w 可以 >1。
- 论文中指定了多种计算精确BB的方法。
两种算法：
输出精确的边界框。!
在监督学习环境中工作，他们使用标记的数据集，其中标签是存储的边界框（使用 labelimg 等工具手动标记我的一些注释器）对于 JSON/XML文件格式。
我试图在更抽象的层面上理解这两种本地化技术（以及对这两种技术有深入的了解！），以便更清楚地了解：
in what sense they are different?, &
why 2 were created, I mean what are the failure/success points of 1 on the another?.
and can they be used interchangeably, if not then why?
如果我有什么地方不对，请随时纠正我，非常感谢您的反馈！引用研究论文的任何特定部分会更有价值！
本质区别在于两阶段 Faster R-CNN 类更准确，而单阶段 YOLO/SSD-like 更快。
在双阶段架构中，第一阶段通常是区域提议，而第二阶段是分类和更准确的定位。你可以认为第一阶段类似于单阶段架构，区别在于region proposal仅将"object"与"background"分开，而单阶段区分所有对象[=21] =].更明确地说，在第一阶段，同样以类似 window 的滑动方式，RPN 表示是否存在对象，如果存在 - 粗略给出它所在的区域（边界框） .这个区域被第二阶段用于分类和边界框回归（为了更好的定位），首先汇集建议区域的相关特征，然后通过类似 Fast R-CNN 的架构（进行分类+回归） .
关于您关于它们之间互换的问题 - 您为什么要这样做？通常，您会根据最紧迫的需求选择一种架构（例如 latency/power/accuracy），并且您不想在它们之间进行互换，除非有一些复杂的想法可以以某种方式帮助您。
问题：
What's the difference between the bounding box(BB) produced by "BB regression algorithms in region-based object detectors" vs "bounding box in single shot detectors"? and can they be used interchangeably if not why?
在了解用于对象检测的 R-CNN 和 Yolo 算法的变体时，我遇到了执行对象检测的两种主要技术，即基于区域的 (R-CNN) 和基于小众滑动 window 的 (YOLO ).
两者都在两种机制中使用不同的变体（从复杂到简单），但最终，它们只是使用边界框来定位图像中的对象！。我只是想专注于下面的本地化（假设正在进行分类！），因为这与提出的问题更相关并简要解释了我的理解：
基于区域:
- 在这里，我们让神经网络预测连续变量（BB坐标）并将其称为回归。
- 定义的回归（根本不是线性的），只是一个CNN或其他变体（所有层都是可微的），输出是四个值（，，ℎ，），其中（，）指定左角位置的值和 (ℎ,) BB 的高度和宽度。
- 为了训练这个神经网络，当神经网络的输出与训练集中标记的 (,ℎ,) 非常不同时，使用平滑的 L1 损失来学习精确的 BB！
niche-Sliding window（卷积实现！）基于：
- 首先，我们将图像分成 19*19 个网格单元。
- 将对象分配给网格单元的方法是选择对象的中点，然后将该对象分配给包含该对象中点的任何一个网格单元。所以每个对象，即使对象跨越多个网格单元，该对象也只会分配给 19 x 19 网格单元之一。
- 现在，您获取此网格单元的两个坐标，并使用 等方法计算该对象的精确 BB(bx, by, bh, bw)
- (bx, by, bh, bw) 是相对于网格单元的，其中 x 和 y 是中心点，h 和 w 是精确 BB 的高度，即边界框的高度指定为分数网格单元的总宽度和 h&w 可以 >1。
- 论文中指定了多种计算精确BB的方法。
两种算法：
输出精确的边界框。!
在监督学习环境中工作，他们使用标记的数据集，其中标签是存储的边界框（使用 labelimg 等工具手动标记我的一些注释器）对于 JSON/XML文件格式。
我试图在更抽象的层面上理解这两种本地化技术（以及对这两种技术有深入的了解！），以便更清楚地了解：
in what sense they are different?, &
why 2 were created, I mean what are the failure/success points of 1 on the another?.
and can they be used interchangeably, if not then why?
如果我有什么地方不对，请随时纠正我，非常感谢您的反馈！引用研究论文的任何特定部分会更有价值！
本质区别在于两阶段 Faster R-CNN 类更准确，而单阶段 YOLO/SSD-like 更快。
在双阶段架构中，第一阶段通常是区域提议，而第二阶段是分类和更准确的定位。你可以认为第一阶段类似于单阶段架构，区别在于region proposal仅将"object"与"background"分开，而单阶段区分所有对象[=21] =].更明确地说，在第一阶段，同样以类似 window 的滑动方式，RPN 表示是否存在对象，如果存在 - 粗略给出它所在的区域（边界框） .这个区域被第二阶段用于分类和边界框回归（为了更好的定位），首先汇集建议区域的相关特征，然后通过类似 Fast R-CNN 的架构（进行分类+回归） .
关于您关于它们之间互换的问题 - 您为什么要这样做？通常，您会根据最紧迫的需求选择一种架构（例如 latency/power/accuracy），并且您不想在它们之间进行互换，除非有一些复杂的想法可以以某种方式帮助您。