淄博网站制作定制品牌百度竞价排名的利与弊

NMS 非极大值抑制

目的

去除网络输出的重叠框。 注意，在后处理阶段使用NMS（Non-Max Suppression）哦！

步骤

1. 先将所有的框按照类别进行区分
2. 把每个类比的检测框，按照置信度从高到低排序
3. 取当前置信度最高的框框，与下一个置信度最高的框框进行iou计算，如果 $IoU>threshold(e.g0.7)$，就判定这个检测同一个物体的框离的太近了，我们就删掉这个置信度低的框框。**如果是太远的框框，IoU的值会很小。说明他们检测的不是同一个物体。
4. 接下来，我们取下一个最高的框（这个框检测的就是同类别另一个物体了），重复step 3的动作。重复上述步骤直到所有的框都被比完。

蓝色的框框，与所有的框框进行IoU, 删除那个置信度低的橘色框框， 这里IoU的作用就是用来判断两个框的远近。
我们重复上述步骤，消灭橙色框框。

• 在面对密集型检测任务的时候,NMS或许会消除掉好的框框。
  

mAP（Mean Average Precision）

• 用来衡量我们目标检测模型好坏的一种指标

步骤

1. 模型跑一下所有测试的图片（with NMS）
2. 对于每一个类别，计算平均精度AP = 精度（Precision）与召回(Recall) 的曲线的面积
   • 1. 对于该类别所有检测到的框框进行一个排序，按照置信度，从高到低。
     • 1. 如果该置信度的框框与 真实框框的 $IoU>0.5$, 把这个框框记录为正样本（positive）, 然后删掉掉真实框框。
     • 2. 否则，标记其为负样本（negative）
     • 3. 在精度与召回的曲线上画一个点

Feature Pyramid Network 特征金字塔结构

一阶段检测器Single-Stage Detectors

• 目标检测分两种实现的方向：基于anchor的，不基于anchor的

"Anchor-based"的代表RetinaNet

请注意这里的Focal Loss

Anchor-free 的代表FCOS

• 学习的是 类别, 中心点， 框框