枣庄市网站建设_网站建设公司_云服务器_seo优化

目录

1.交并比（IoU）

（1）解释

（2）例子

2.非极大值抑制

（1）解释

（2）例子

1.交并比（IoU）

（1）解释

• 交并比（intersection over union），就是交集与并集的比
• loU这个概念是为了评价你的对象定位算法是否精准，后面常和非极大值抑制一起使用来去掉重复的预测结果

（2）例子

• 一般来说，IoU大于等于0.5，那么结果是可以接受的，就说检测正确。如果预测器和实际边界框完美重叠，loU就是1，因为交集就等于并集。一般约定，0.5是阈值（threshold），用来判断预测的边界框是否正确。loU越高，边界框越精确。

2.非极大值抑制

（1）解释

• 非极大值抑制（non-max suppression）：图像检测和定位算法，可能会对同一个对象做出多次检测，非极大值抑制做的就是清理重复检测结果，通过交并比，确保一个对象只检测一次。

（2）例子

• 上图中，右边的车被三个格子检测出来了，相当于检测出了三辆车，但是其实只有一辆车。
• 右边车辆被检测出三次，最大的p_c是0.9，这是最可靠的检测，所以我们就用高亮标记。这么做之后，非极大值抑制就会逐一审视剩下的矩形，所有和这个最大的边框有很高交并比，高度重叠的其他边界框，那么这些输出就会被抑制。所以这两个矩形（p_c分别是0.6和0.7），和淡蓝色矩形重叠程度很高，所以会被抑制，变暗，表示它们被抑制了。
• 不是最大概率的被抑制，所以叫做非极大值抑制