目录
图2展示了物体检测器在不同IoU阈值下的边界框定位性能、分类损失和检测性能。
-
(a)边界框定位性能:图中展示了三个用不同IoU阈值(u = 0.5、0.6、0.7)训练的边界框回归器的性能。可以看出,每个回归器在输入提议的IoU接近其训练阈值时,性能最佳。这表明单个回归器通常不能在所有质量水平上都表现得非常均匀,但是通过将回归任务分解为一系列更简单的步骤,如Cascade R - CNN中使用的级联回归,可以逐步改进假设,提高边界框的定位性能。
1. 关于Input IoU和Output IoU的定义:- 横轴Input IoU表示RPN输出的proposal与gt bbox的交并比(IoU)。
- 纵轴Output IoU是经过RCNN的bbox分支回归输出后与gt bbox的IoU。
- 不同线条代表用不同阈值训练出来的检测器。
2. 不同阈值训练的检测器性能表现:
- 以u = 0.5为例,用阈值0.5切分RPN输出