【目标检测】|Gaussian YOLOv3 An Accurate and Fast Object Detector Using Localization

ICCV2019

虽然通过检测得到了目标的bbox坐标，但得到的这个bbox的不确定性是未知的(并不包含不确定性信息，并不清楚这个bbox是不是正确的)。因此，这些目标检测器并不能避免错误定位（FP）.预测bbox的不确定性，以及将不确定性与objectness score和class score结合起来以降低FP，是非常重要的。

为了解决以上问题，本文基于YOLOv3提出了一种新的目标检测方法，通过对YOLOv3的bbox坐标进行建模以提升检测精度，该方法仅输出确定值作为高斯参数（均值和方差），并重新设计bbox的损失函数。通过高斯建模，可以估计YOLOv3中bbox回归任务的定位不确定性。此外，通过在检测过程中利用bbox的定位不确定性，还可以进一步提升检测精度。最终，高斯YOLOv3显著提升了检测精度，并且能够处理错误定位问题，同时还能保持检测的实时性。

pro(object)是预测框里面目标的置信度，代表这个框里面是某个类别的概率。而它不能决定这个框是不是框是不是可靠，而Gaussian分布可以表示可靠性，因为概率分布越接近越可靠。

https://zhuanlan.zhihu.com/p/95994718