标签：NMS 线性插值 矩形框 算法 修炼 bBox 闭关 视觉 重叠

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）：

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

标签：NMS,线性插值,矩形框,算法,修炼,bBox,闭关,视觉,重叠
来源： https://blog.csdn.net/weixin_43349479/article/details/123030964

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。