笔记目录
*
–
+ 柠檬树算法
+
*
–
+ NMS，Non-Maximum Suppression，非极大值抑制
+ 单线性插值
+ 双线性插值
+ BorderDet: Border Feature for Dense Object Detection（ECCV 2020）
柠檬树算法
NMS，Non-Maximum Suppression，非极大值抑制
如上图，定位一个车辆，定位算法找到了这些bBox，则还需要判别出哪些bBox是无效的。非极大值抑制方法：先假设有6个矩形框，根据分类器的类别分类概率作排序，假设按照从小到大排序分别为A、B、C、D、E、F。
- 从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;
- 假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，F则是我们保留下来的第一个bBox；
- 从剩下（已筛选掉B、D、F）的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E，E是我们保留下来的第二个bBox。
- 不断重复，直到找出所有被保留下来的矩形框。
以下为具体实验举例：
a) 不使用NMS算法（产生了40个预测框，部分重叠在一起）：
有点好奇的是，NMS 有没有参与到反向传播的过程中？
b) 使用NMS算法之后（筛选出5个预测框）：
; 单线性插值
双线性插值
首先在 x 方向进行线性插值，得到：
然后在 y 方向进行线性插值，得到：
综合起来就是双线性插值最后的结果：
; BorderDet: Border Feature for Dense Object Detection（ECCV 2020）
中道崩殂……End
Original: https://blog.csdn.net/weixin_43349479/article/details/123030964
Author: 你这个代码我看不懂
Title: 计算机视觉之目标检测闭关修炼
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/682960/
转载文章受原作者版权保护。转载请注明原作者出处！