歡迎光臨我的個人主頁
在物體檢測的過程中,模型會生成大量的候選框,通過nms(non-maximum suppression,非極大值抑制)可以篩選出最優的候選框,原理非常直觀,簡單來說就是選出所有的區域性最大值.
最大值容易找,主要就是如何定義區域性,通過iou就ok啦~
nms執行流程
假定最終選取的候選框集合為res,開始時res是空集; 假定模型輸出的大量候選框集合為a,a中的各個候選框有對應的得分
首先從a中選出分數最高的候選框a,將a放入集合res,同時從a中剔除a,接著計算a與a中剩下的各個候選框x的iou,如果a和某個x的iou>0.7 (這裡取0.7只是用來舉例),說明a和x重疊的範圍太多,所以框出的是同乙個物體,不過x的分數不如a高,所以就要抑制x,也就是從a中剔除x.這樣篩選多次後,a中剩下的候選框與a的重疊範圍很小,說明框出的是其他物體了
再從a中選出得分最高的候選框b,將b放入集合res,同時從a中剔除b,接著計算b與a中剩下的各個候選框的iou…其實你已經發現這都是重複上面的操作了
經過多次迴圈後,就為中每個可能的物體選取了最合適的候選框,儲存在res中
nms前
nms後
物體檢測中的mAP含義
1.對於某個類別 c c 在某一張上，首先計算 c role presentation style position relative c c在一張上的pr ecis ion pre cisi on precis ion 在一張圖 片上類別 c識別正 確的個數 也就是 iou 0.5 一 張 上 類...
名詞解釋 物體檢測中的mAP含義
目標檢測模型中的一種效能評估指標 precision 在一張上類別c識別正確的個數 也就是iou 0.5 一張上類別c的總個數precision 在一張上類別c識別正確的個數 也就是iou 0.5 一張上類別c的總個數 ap 每張上的precision求和 含有類別c的數目ap 每張上的precis...
一文看盡物體檢測中的各種FPN（閱讀筆記）
早期的目標檢測演算法 無論是單階段還是雙階段 通常都是在backbone的最後一層的特徵圖直接外接檢測頭做物體檢測。其輸出的特徵圖解析度是輸入解析度的1 32，太小，不利於物體檢測，因此一般會將最後乙個stage backbone中featuremap解析度相同的若干層 的maxpooling去掉或...