论文笔记（十二）【论文中概念解释2】split merge、Bottleneck Layer、IOU

1，split()函数+merge()函数

在图像处理时，我们接触到的彩色以RGB居多，为了分析图像在某一通道上的特性，需要将图像的颜色通道进行分离，或者是在对某一颜色通道处理后重新进行融合。

split()和merge()方法是一对互逆操作，split()是对图像进行通道分离，merge()是进行通道合并，灰度图像只有1个通道，一般RGB能分离出3个通道，RGBA图像能分理出4个通道（如.png格式图片）

2，Bottleneck Layer

2.1 什么是瓶颈层

Bottleneck layer又称之为瓶颈层，使用的是1*1的卷积神经网络。之所以称之为瓶颈层，是因为长得比较像一个瓶颈。

中间比较细，像一个瓶颈

如上图所示，经过 [公式] 的网络，中间那个看起来比较细。像一个瓶颈一样。使用 [公式] 网络的一大好处就是可以大幅减少计算量。深度可分离卷积中，也有这样的设计考虑。如果想具体了解如何大幅减少计算量的话，可以参考【深度可分离卷积】

2.2 ResNet中的Bottleneck layer

Bottleneck layer这种结构比较常见的出现地方就是ResNet block了。关于ResNet不太了解的话可以参考一下参考【一文读懂残差网络ResNet】。

如图所示分别是有bottleneck和没有bottleneck的ResNet模块。

Deep Residual Learning for Image Recognition 这篇论文对此的解释是：

The three layers are 1X1, 3X3, and 1X1 convolutions, where the 1X1 layers are responsible for reducing and then increasing(restoring) dimensions, leaving the 3X3 layer a bottleneck with smaller input/output dimensions.

我们看到，使用$1\times 1$的网络结构很方便改变维度。灵活设计网络，并且减小计算量。

3，IOU

3.1 什么是IOU

IOU是一种评价目标检测器的一种指标。
下图是一个示例：图中绿色框为实际框（好像不是很绿……），红色框为预测框，当我们需要判断两个框之间的关系时，需要用什么指标呢？
此时便需要用到IOU。

计算IOU的公式为：

可以看到IOU是一个比值，即交并比。
在分子部分，值为预测框和实际框之间的重叠区域；
在分母部分，值为预测框和实际框所占有的总区域。

交区域和并区域的比值，就是IOU。

3.2 IOU的特点

与分类任务不同，我们的预测框的坐标需要去匹配实际框的坐标，而坐标的完全匹配是不现实的。因此，我们需要定义一个评估指标，奖励那些与匹配框匹配较好的预测框。