0%

IoU与NMS

在目标定位中,我们如何判定定位效果的好坏呢,我们使用的估值函数为交并比(Intersection over Union)

在上图中红色框是目标的准确位置,假设紫色框是我们的预测位置,那他们的并集就是绿色的部分,交集是黄色的部分,IoU为

在实际应用中,我们人为的规定当$IoU\geq 0.5$时就认为预测是准确的,如果希望得到更准确的预测,就可以进一步调高IoU的值,但一般都会高于$0.5$

利用IoU我们可以构建出非极大值抑制(Non-max suppression)算法来解决目标检测中常见的一个问题:同一个目标被框出多次

如上图,两辆车都被检测了多次,我们从左边的车开始,找到置信度最大的预测框(亮),然后删除所有与其IoU大于某阈值的预测框(暗),对于右侧的车我们重复该操作,直到所有的框都变亮或暗

NMS的完整流程如下:首先删除所有置信度过低的预测框($\leq 0.6$),然后选出置信度最大的预测框,删除所有与它IoU过大的预测框,然后对于剩下的预测框重复该操作,直到所有的预测框都被处理过为止

要注意的是,如果是多类别的目标检测,则要对每一个类别都进行一次NMS