請教各位高手，如何理解anchor box在yolo中的實際運作？
不考慮anchor-free的類型，
舉個例子，在簡單的情況下，
假設在沒有anchor box的情況下，
假設有 3 + 1 個物體類別（車子、人、貓咪以及背景）。
對於一張圖片(尺寸為12 x 12)，
假設將其劃分成 3 x 3 個 cell，那麼其中每個cell的尺寸為 4 x 4 pixel。
假設卷積的間隔是 4 (sliding windows的大小)，假設我們只用一次卷積層，
來獲得預測結果。
那麼結果會是一個 3 x 3 x 8 的張量（tenser），
其中 3 x 3 對應到上面劃分的 cell 位置，
而 8 代表一個向量(Pc, Bx, By, Bh, Bw, C1, C2, C3)，
其中 Pc 代表這個cell有沒有可辨識的物體，
(Bx, By, Bh, Bw)代表Bounding box的位置，
(C1, C2, C3)代表了是哪個物體的機率，這裡不考慮背景。
今天我想理解anchor box在YOLO中實際的運作模式，
我參考了 https://reurl.cc/kVz7jx 中的影片。
理解了假設有 2 個 anchor 的話，
那麼結果會是一個 3 x 3 x 2 x 8 的張量（tenser）。
問題來了，anchor可以像是影片中長的、寬的，
那整個卷積過程在訓練中是如何運作？
在訓練過程中，我的理解是將每個cell去做padding，
這裡的padding需要考慮兩個情況，
一個是邊邊的部份，不足可以用補 0 來填空，
另一個是中間，就延伸考慮 cell 外面的 pixel ，
讓 cell 經過 padding 變成跟anchor box一樣的大小，
將 anchor box 當作一個 filter 去對每個 cell 做卷積，
這樣做結果就會是 3 x 3 x 1 x 8 ，
然後我有兩個 anchor box ，所以結果就會是影片中 3 x 3 x 2 x 8 的形狀。
以上好像說的通，但實際上我是瞎掰腦補的，參考影片中的 4:56 秒，
這裡我看不懂它考慮兩個 anchor box 的說明，
我只看得懂要選最大的IoU，也不知道是誰跟誰比，
總之跟我前面的理解差的有點多...
想了很久想不通，Google找到的資料都是那幾張圖，
然後看不懂還是看不懂。
有沒有大神可以從這個簡單的範例說明，
anchor box 在訓練中如何運作？
在預測中又是如何使用？
謝謝。
--
