一、IoU(交并比)
计算交集:
计算并集:
计算IoU:
二、NMS(非极大值抑制)
以目标检测为例:
目标检测的过程中在同一目标的位置上会产生大量的候选框,这些候选框相互之间可能会有重叠,此时我们需要利用非极大值抑制找到最佳的目标边界框,消除冗余的边界框。
例:
左图是人脸检测的候选框结果,每个边界框有一个置信度得分(confidence score),如果不使用非极大值抑制,就会有多个候选框出现。右图是使用非极大值抑制之后的结果,符合我们人脸检测的预期结果。
非极大值抑制的流程如下:
输入:目标边界框列表及其对应的置信度得分列表,设定阈值,阈值用来删除重叠较大的边界框
①根据置信度得分进行排序
②选择置信度最高的比边界框添加到最终输出列表中,将其从边界框列表中删除
③计算置信度最高的边界框与其它候选框的IoU。
④删除IoU大于阈值的边界框
⑤重复②③④,直至边界框列表为空。
python代码实现: