mtcnn学习

1.IOU 交并比:(Intersection over Union)
IOU值定位为两个矩形框面积的交集和并集的比值。即:
IOU = A ∩ B/ A ∪ B
详见 基于Python实现的IOU算法—最简单易懂的代码实现
2.目标检测锚框和NMS非极大值抑制
锚框也就是我们很多书中说的anchor。实际上这就是在进行目标检测的时候在特征图上每个点都设置相同数量的框框这就叫锚框。
NMS(非极大值抑制)
所谓非极大值抑制：依靠分类器得到多个候选框，以及关于候选框中属于类别的概率值，根据分类器得到的类别分类概率做排序，具体算法流程如下：

（1）将所有框的得分排序，选中最高分及其对应的框
（2）遍历其余的框，如果和当前最高分框的重叠面积(IOU)大于一定阈值，我们就将框删除。（为什么要删除，是因为超过设定阈值，认为两个框的里面的物体属于同一个类别，比如都属于狗这个类别。我们只需要留下一个类别的可能性框图即可。）
（3）从未处理的框中继续选一个得分最高的，重复上述过程。
详见 NMS(非极大值抑制) 更清晰明了
3.numpy–shape函数用法
矩阵a, 那么a.shape表示矩阵a的维度大小
a.shape[0]表示矩阵的行数，a.shape[1]表示矩阵的列数

import numpy as np
a = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
print(a) 
print(a.shape)
print(a.shape[0])#4
print(a.shape[1])#3
#
[
  [1,2,3],[4,5,6],[7,8,9],[10,11,12]
]
(4,3)

建立一个数组b, 那么a.shape表示数组b的大小
4.python如何打印数据的类型
print(type(a))
5.人脸得分-置信度
人脸识别的置信度小于设置的阈值，会导致识别结果被筛掉。
置信度很小，也就是神经网络推理的结果显示，该目标物为人脸的可能性比较小，所以是模型精度的问题
6.zip用法（类似拉链）
import numpy as np
a=[1,2,3,4,5]
b=(1,2,3,4,5)
c=np.arange(5)
d=“zhang”
zz=zip(a,b,c,d)
print(zz)

输出：
[(1, 1, 0, ‘z’), (2, 2, 1, ‘h’), (3, 3, 2, ‘a’), (4, 4, 3, ‘n’), (5, 5, 4, ‘g’)]
​