检测到目标源码中可能存在用户名或者密码信息泄露 nginx 目标检测代码看不懂

笔记目录

• 柠檬树算法

• NMS，Non-Maximum Suppression，非极大值抑制

• 单线性插值
• 双线性插值
• BorderDet: Border Feature for Dense Object Detection（ECCV 2020）

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。

1. 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;
2. 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；
3. 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。
4. 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