您的位置: 首页  >  文章  >  IOU等深度学习名词定义

IOU等深度学习名词定义

分类: 文章 • 2023-01-06 12:11:01

一.IOU(Intersection over Union) -交并比

IOU是一种测量在特定数据集中检测相应物体准确度的一个标准。在PASCAL VOC challenge中经常使用该标准。

一般在 HOG + Linear SVM object detectors 和 Convolutional Neural Network detectors (R-CNN, Faster R-CNN, YOLO, etc.)中使用该方法检测其性能。
注意 ：这个测量方法和你在任务中使用的物体检测算法没有关系。

IOU是一个简单的测量标准，只要是在输出中得出一个预测范围(bounding boxex)的任务都可以用IOU来进行测量。为了可以使IOU用于测量任意大小形状的物体检测，我们需要：
1、 ground-truth bounding boxes（人为在训练集图像中标出要检测物体的大概范围，也就是人为对数据进行标注的框，这个就要考研数据标注人员的能力了）。
ps：博主也进行过相当长一段时间的标注工作。

2、我们的算法得出的结果范围（算法计算出来的结果）。

也就是说，这个标准用于测量真实和预测之间的相关度，相关度越高，该值越高（可以理解为：算法计算的输出框与人为标注的方框的重合程度，程度程度越高，IOU越大，输出结果越准确）。

举例，如下图所示：
IOU等深度学习名词定义
上图展示了ground-truth和predicted的结果，绿色标线是人为标记的正确结果，红色标线是算法预测出来的结果，IOU要做的就是在这两个结果中测量算法的准确度。公式如下图所示：
IOU等深度学习名词定义
如上图所示，IOU相当于两个区域重叠的部分除以两个区域的集合部分得出的结果（IOU=两个区域交集 / 两个区域并集）。
一般来说，这个score ＞ 0.5 就可以被认为一个不错的结果了。

测试结果：
IOU等深度学习名词定义

二.NMS（non maximum suppression）-非极大值抑制

NMS即非极大抑制，顾名思义就是抑制不是极大值的元素，搜索局部的极大值。

在物体检测中，NMS 应用十分广泛，其目的是为了清除多余的框，找到最佳的物体检测的位置。

三.RPN(RegionProposal Network)-区域生成网络

1.anchors（锚点）定义。

为方便理解，下面以图像数据（二维）进行举例：

特征可以看做一个尺度51*39的256通道图像，对于该图像的每一个位置，考虑9个可能的候选窗口，候选框选择依据：
三种面积 {128,256,512} ×三种比例 {1:1,1:2,2:1}，这些候选窗口称为anchors。
51*39个anchor中心，以及9种anchor示例。
IOU等深度学习名词定义
2.Sofmax(**函数)
IOU等深度学习名词定义
计算每个像素256-d的9个尺度下的值，得到9个anchor，我们给每个anchor分配一个二进制的标签（前景背景）。我们分配正标签前景给两类anchor：
1） 与某个 ground truth（GT） 包围盒有最高的 IoU重叠的anchor（也许不到0.7）。
2） 与任意GT包围盒有大于0.7的IoU交叠的anchor。
注意到一个GT包围盒可能分配正标签给多个anchor。我们分配负标签（背景）给与所有GT包围盒的IoU比率都低于0.3的anchor。非正非负的anchor对训练目标没有任何作用，由此输出维度为 （2*9=18），一共18维。

假设在conv5 feature map中每个点上有k个anchor（默认k=9），而每个anchor要分foreground和background，所以每个点由256d feature转化为cls=2k scores；而每个anchor都有 [x, y, w, h] 对应4个偏移量，所以reg=4k coordinates。

补充： 全部anchors拿去训练太多了，训练程序会在合适的anchors中随机选取 128个postive anchors+128个negative anchors进行训练。

具体关于RPN和faster-RPN：https://blog.csdn.net/qq_36269513/article/details/80421990

相关推荐