本文介绍了目标检测中的非极大值抑制（NMS）算法，用于消除重叠的边界框。NMS通过比较边界框的概率和重叠度来筛选有效检测。同时，还讨论了单线性和双线性插值在图像处理中的应用。此外，提到了BorderDet——一种用于密集目标检测的边特征方法。实验对比展示了NMS前后的预测框数量变化，强调了NMS在减少冗余检测中的作用。
笔记目录
柠檬树算法
NMS，Non-Maximum Suppression，非极大值抑制
如上图，定位一个车辆，定位算法找到了这些bBox，则还需要判别出哪些bBox是无效的。非极大值抑制方法：先假设有6个矩形框，根据分类器的类别分类概率作排序，假设按照从小到大排序分别为A、B、C、D、E、F。
- 从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;
- 假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，F则是我们保留下来的第一个bBox；
- 从剩下（已筛选掉B、D、F）的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E，E是我们保留下来的第二个bBox。
- 不断重复，直到找出所有被保留下来的矩形框。
以下为具体实验举例：
a) 不使用NMS算法（产生了40个预测框，部分重叠在一起）：
有点好奇的是，NMS 有没有参与到反向传播的过程中？
b) 使用NMS算法之后（筛选出5个预测框）：
单线性插值
双线性插值
首先在 x 方向进行线性插值，得到：
然后在 y 方向进行线性插值，得到：
综合起来就是双线性插值最后的结果：
BorderDet: Border Feature for Dense Object Detection（ECCV 2020）
中道崩殂……End
1367
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
