【论文笔记】人脸检测窗口选择办法 NMS convnet

本文介绍了一种使用神经网络改进非极大值抑制(NMS)的方法,用于人脸检测。传统NMS在处理物体检测时存在精度和召回率平衡问题,而NMS convnet通过学习策略优化这一过程。文章详细阐述了NMS convnet的结构,包括score map的生成、IoU层的计算以及网络设计,并讨论了其解决NMS阈值设定难题的潜力。
摘要由CSDN通过智能技术生成

文章地址:
A CONVNET FOR NON-MAXIMUM SUPPRESSION (2016 ICLR Under Review)

##A brief introduction of NMS for object detection
NMS,即Non-maximum suppression,非极大值抑制,在object dection中应用非常广泛,简单地说,他就是对一些region proposals(物体的候选框)进行筛选,得到最佳的物体检测位置。
这里写图片描述
如上图所示,在做人脸检测时我们可能会得到多个人脸的候选框,但是其实这些框完全可以进行“合并”,得到一个人脸的框框。这个“合并”的策略就是NMS。NMS主要有两个指标来进行合并:
1.score:对于每一个proposal,分类器会给出一个score来表示当前候选框的置信度,尽量保留置信度较高的候选框
2.IoU(Intersection-over Union):重叠面积,位置邻近的候选框重叠面积大于一定阈值的话则进行合并

所以NMS的实现是:

  1. NMS计算出每一个bounding box的面积,然后根据score进行排序。
  2. 计算其余bounding box与当前最大score的box的IoU,去除IoU大于设定的阈值的bounding box。
  3. 重复上面的过程,
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值