写在前面
在上一篇博客:【计算机视觉—RCNN目标检测系列】二、边界框回归(Bounding-Box Regression)(
戴璞微:【计算机视觉—RCNN目标检测系列】二、边界框回归(Bounding-Box Regression)zhuanlan.zhihu.com![38117c995d586fa2286ae830e39de562.png](https://i-blog.csdnimg.cn/blog_migrate/17a5ab219b274bb89fdd0fd589444b99.png)
)
中我们主要讲解了R-CNN中边界框回归,接下来我们在这篇博客我们讲解R-CNN中另外一个比较种重要的模块——IoU与非极大抑制。
在这篇博客中,我们将重点RCNN论文中另一个比较重要模块——IoU与非极大抑制。IoU是描述两个矩形框之间重合程度的指标,在RCNN中常用于衡量边界框回归算法得到的预测目标框与真实目标框之间的重合程度。非极大抑制算法(Non-Maximum Suppression,NMS)则是用于去除大量重复的候选目标框。
一、IoU
首先来看下交并比(Intersection over Union,IoU)。假定两个目标框分别为 和 ,两个矩形框的示意图如下图所示。那么两个目标框的交并比计算公式为: