Non-maximum Suppression 与 Hard negative mining

# Non-maximum Suppression

---

非极大值抑制（Non-maximum Suppression）简称NMS，顾名思义为抑制不是极大值的元素，搜索局部极大值。常用于目标检测中，以消除多余的bounding box，找到最佳目标检测box。

假设目前有多个bounding box，其score分别为A~F,则NMS的实现思路为：

①首先根据score对各个bounding box进行排序，得到score最大的bounding box；

②然后，分别计算其他bounding box与这个box的重叠度IoU，去除IoU大于阈值的bounding box；

然后重复上述过程，直至候选bounding box为空。这样就可以得到score较大且IoU比较小的bounding box了。

# Hard negative mining

---

在目标检测时，我们会事先标记好ground truth，然后通过算法生成一系列proposal，这些proposal有跟标记的ground truth重合的也有没重合的。若重合度（IOU）超过一定阈值（通常0.5）的，则认定其为是positive sample，否则为negative sample。

之后若将这些正负样本扔进网络中训练，可能遇到negative sample远远多于positive sample的情况，训练出来的分类器效果并不好，会出现许多false positive（比如：roi里有二分之一个目标时，虽然它仍是负样本，却容易被判断为正样本）。

我们按照confidence对FP进行排序，把其中confidence较高的这些FP当做所谓的Hard negative（难划分的负样本，相当于一个错题集），并将其扔进网络中反复进行训练，从而加强分类器判别FP的能力。

注：

①一般正负样本数可取1：3,效果较好。

②把正例正确分类为正例，表示为TP（true positive），把正例错误分类为负例，表示为FN（false negative）；

  把负例正确分类为负例，表示为TN（true negative）， 把负例错误分类为正例，表示为FP（false positive）。

  

参考链接：

1.https://www.zhihu.com/question/46292829/answer/140003830

2.https://blog.csdn.net/u012285175/article/details/77866878

3.https://blog.csdn.net/qq_36570733/article/details/83444245

转载于:https://www.cnblogs.com/jngwl/articles/10170558.html