(六)深度学习面试总结

1、nms和soft-nms实现过程

(1) nms实现过程

初始时，非极大值抑制过程开始于一个检测框列表B、对应的置信度标S、空的检测列表D、阈值N_t。首先，找到最高置信度对应的检测框M，将其从B中删除，并添加到最终框列表D中。然后，计算M与B中其他检测框的重叠程度IOU，将IOU大于阈值N_t的目标检测从B中删除。对于B中剩余的检测框，继续重复这个过程，直到B为空时结束。

(2) soft nms解决哪些问题

nms的一个主要问题是，将与NMS重叠度大于阈值的其他检测框直接从B中删除。造成如果在NMS的邻域，实际上真的有一个目标，也会因为该目标的检测框与M重叠度大于阈值而被抑制。这就造成该目标没有检测出来，影响了整体的平均精度。

(3) soft nms的流层

在soft-nms中使用的惩罚函数f(iou(M,b_l))有两种形式可以使用：

第一种是线性的惩罚函数，表达式为：

这个惩罚函数满足了距离较远的检测框不受影响，距离较近的检测框会受到很大的惩罚这样的原则。但是，这个函数不是连续的，即当检测框满足重叠阈值Nt时，会突然施加惩罚。

第二种是高斯惩罚函数，表达式如下:

(4)代码实现

2、Focal loss

解决列别类别不平衡问题

import torch
import numpy as np
import matplotlib.pyplot as plt
x= np.linspace(0,1,500)
# y=-(1-x)^2*log(x)
y=-np.power(1-x,2) *np.log(x)
plt.figure()
plt.plot(x,y)
plt.show()

 分析x对y值的影响

3、