19.深度學習之計算機視覺-3

19.1 交并比

  • 如果該目標的真實邊界框已知入篮,這里的“較好”該如何量化呢?
    • 一種直觀的方法是衡量錨框和真實邊界框之間的相似度幌甘。
    • Jaccard系數(shù)(Jaccard index)可以衡量兩個集合的相似度潮售。
    • 給定集合A和B,它們的Jaccard系數(shù)即二者交集大小除以二者并集大泄纭:



  • 實際上酥诽,可以把邊界框內的像素區(qū)域看成是像素的集合。
  • 如此一來遏弱,可以用兩個邊界框的像素集合的Jaccard系數(shù)衡量這兩個邊界框的相似度盆均。
  • 當衡量兩個邊界框的相似度時,通常將Jaccard系數(shù)稱為交并比(Intersection over Union漱逸,IoU)泪姨,即兩個邊界框相交面積與相并面積之比,如圖所示饰抒。
    • 交并比的取值范圍在0和1之間:0表示兩個邊界框無重合像素肮砾,1表示兩個邊界框相等。


    • 交并比是兩個邊界框相交面積與相并面積之比

19.2 標注訓練集的錨框

  • 在訓練集中袋坑,將每個錨框視為一個訓練樣本
  • 為了訓練目標檢測模型仗处,需要為每個錨框標注兩類標簽:
    • 一是錨框所含目標的類別,簡稱類別
    • 二是真實邊界框相對錨框的偏移量枣宫,簡稱偏移量(offset)
  • 在目標檢測時婆誓,首先生成多個錨框,然后為每個錨框預測類別以及偏移量也颤,接著根據(jù)預測的偏移量調整錨框位置從而得到預測邊界框洋幻,最后篩選需要輸出的預測邊界框
  • 在目標檢測的訓練集中,每個圖像已標注了真實邊界框的位置以及所含目標的類別
  • 在生成錨框之后翅娶,主要依據(jù)與錨框相似的真實邊界框的位置和類別信息為錨框標注




  • 標注錨框的類別和偏移量
    • 設錨框A及其被分配的真實邊界框B的中心坐標分別為


    • A和B的寬分別為


    • 高分別為


    • 一個常用的技巧是將A的偏移量標注為:


    • 其中常數(shù)的默認值為


    • 如果一個錨框沒有被分配真實邊界框文留,只需將該錨框的類別設為背景好唯。

    • 類別為背景的錨框通常被稱為負類錨框,其余則被稱為正類錨框燥翅。

19.3 輸出預測邊界框

  • 移除相似的預測邊界框:非極大值抑制(non-maximum suppression骑篙,NMS)。


  • 非極大值抑制的工作原理:
    • 對于一個預測邊界框B森书,模型會計算各個類別的預測概率靶端。
    • 設其中最大的預測概率為p,該概率所對應的類別即B的預測類別拄氯。
      • 將p稱為預測邊界框B的置信度
    • 在同一圖像上躲查,將預測類別非背景的預測邊界框按置信度從高到低排序它浅,得到列表L译柏。
      • 從L中選取置信度最高的預測邊界框B1作為基準,將所有與B1的交并比大于某閾值的非基準預測邊界框從L中移除姐霍。這里的閾值是預先設定的超參數(shù)鄙麦。
      • 此時,L保留了置信度最高的預測邊界框并移除了與其相似的其他預測邊界框镊折。
  • 接下來胯府,從L中選取置信度第二高的預測邊界框B2作為基準,將所有與B2的交并比大于某閾值的非基準預測邊界框從L中移除恨胚。
  • 重復這一過程骂因,直到L中所有的預測邊界框都曾作為基準。
  • 此時L中任意一對預測邊界框的交并比都小于閾值赃泡。
  • 最終寒波,輸出列表L中的所有預測邊界框。


大數(shù)據(jù)視頻推薦:
騰訊課堂
CSDN
大數(shù)據(jù)語音推薦:
企業(yè)級大數(shù)據(jù)技術應用
大數(shù)據(jù)機器學習案例之推薦系統(tǒng)
自然語言處理
大數(shù)據(jù)基礎
人工智能:深度學習入門到精通

?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末升熊,一起剝皮案震驚了整個濱河市俄烁,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌级野,老刑警劉巖页屠,帶你破解...
    沈念sama閱讀 211,496評論 6 491
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異蓖柔,居然都是意外死亡辰企,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,187評論 3 385
  • 文/潘曉璐 我一進店門况鸣,熙熙樓的掌柜王于貴愁眉苦臉地迎上來牢贸,“玉大人,你說我怎么就攤上這事懒闷∈酰” “怎么了栈幸?”我有些...
    開封第一講書人閱讀 157,091評論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長帮辟。 經常有香客問我速址,道長,這世上最難降的妖魔是什么由驹? 我笑而不...
    開封第一講書人閱讀 56,458評論 1 283
  • 正文 為了忘掉前任芍锚,我火速辦了婚禮,結果婚禮上蔓榄,老公的妹妹穿的比我還像新娘并炮。我一直安慰自己,他們只是感情好甥郑,可當我...
    茶點故事閱讀 65,542評論 6 385
  • 文/花漫 我一把揭開白布逃魄。 她就那樣靜靜地躺著,像睡著了一般澜搅。 火紅的嫁衣襯著肌膚如雪伍俘。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,802評論 1 290
  • 那天勉躺,我揣著相機與錄音癌瘾,去河邊找鬼。 笑死饵溅,一個胖子當著我的面吹牛妨退,可吹牛的內容都是我干的。 我是一名探鬼主播蜕企,決...
    沈念sama閱讀 38,945評論 3 407
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼糖赔!你這毒婦竟也來了萍丐?” 一聲冷哼從身側響起放典,我...
    開封第一講書人閱讀 37,709評論 0 266
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎奋构,沒想到半個月后,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體弥臼,經...
    沈念sama閱讀 44,158評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 36,502評論 2 327
  • 正文 我和宋清朗相戀三年径缅,在試婚紗的時候發(fā)現(xiàn)自己被綠了烙肺。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 38,637評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡桃笙,死狀恐怖,靈堂內的尸體忽然破棺而出沙绝,到底是詐尸還是另有隱情搏明,我是刑警寧澤,帶...
    沈念sama閱讀 34,300評論 4 329
  • 正文 年R本政府宣布闪檬,位于F島的核電站星著,受9級特大地震影響,放射性物質發(fā)生泄漏粗悯。R本人自食惡果不足惜虚循,卻給世界環(huán)境...
    茶點故事閱讀 39,911評論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望为黎。 院中可真熱鬧邮丰,春花似錦行您、人聲如沸铭乾。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,744評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽炕檩。三九已至,卻和暖如春捌斧,著一層夾襖步出監(jiān)牢的瞬間笛质,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,982評論 1 266
  • 我被黑心中介騙來泰國打工捞蚂, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留妇押,地道東北人。 一個月前我還...
    沈念sama閱讀 46,344評論 2 360
  • 正文 我出身青樓姓迅,卻偏偏與公主長得像敲霍,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子丁存,可洞房花燭夜當晚...
    茶點故事閱讀 43,500評論 2 348

推薦閱讀更多精彩內容

  • 今天感恩節(jié)哎肩杈,感謝一直在我身邊的親朋好友。感恩相遇解寝!感恩不離不棄扩然。 中午開了第一次的黨會,身份的轉變要...
    迷月閃星情閱讀 10,559評論 0 11
  • 彩排完聋伦,天已黑
    劉凱書法閱讀 4,199評論 1 3
  • 表情是什么夫偶,我認為表情就是表現(xiàn)出來的情緒界睁。表情可以傳達很多信息。高興了當然就笑了兵拢,難過就哭了晕窑。兩者是相互影響密不可...
    Persistenc_6aea閱讀 124,446評論 2 7