参数化似乎源自 R-CNN 论文，Girschick 等人，2013：Rich feature hierarchies for accuracy object detection and semantic segmentation。请注意，SSD 也使用此参数化（参见论文中的公式（2））。

使用此参数化，边界框的大小计算为$w=w_a\exp(t)$， 在哪里$w_a$是锚盒的大小和$t$是网络输出。这个参数化有一些（很好的）属性：

• 预测的边界框总是有正尺寸
• 如果$t=0$, 预测框的大小与锚框的大小相同
• 价值观$t<0$“慢慢地”缩小边界框（预测的大幅减少是尺寸的小幅减少）
• 价值观$t>0$“快速”扩展边界框（预测的小幅增加是尺寸的大增加）

第一个属性非常有用。很难说其余部分是否/多少使优化更容易，但它似乎工作得很好，因为这是对象检测中使用的事实上的标准参数化。