无风而起的博客

论文【Effificient Multiple Organ Localization in CT Image Using 3D Region Proposal Network】 前几年的CT图像器官检测中的深度学习方法常用2D slices，比如利用冠状面、矢状面、横断面的CT slices训练3个独立的2D网络，通过3个预测B-box确定器官的形心和范围等等一些2D方法。 这些策略有两个局限性： 第一，相邻层很相似，冗余大，一层一层预测时间消耗多。 第二，不能充分利用CT图像的3D空间信息。 因此作者尝试

非极大抑制（Non-max suppression，NMS）算法 目标检测算法会生成很多候选框，这时我们要将多余的候选框去除，如上图，这就要用到NMS算法。 以YOLOV1举例，对于YOLOv1而言，网络最终会生成98个候选框。 代码中的做法是：对98个候选框进行筛选，先删除confidence小于0.1的，再对每个候选框分别计算score，score为confidence*最大类别概率，删除score<0.1的，得到剩余候选框列表L后再进行下一步NMS处理： 先取L中score最大的候选框，然后删

在目标检测任务中，常用IOU作为评价指标，它的含义就是交并比，如下图： 计算方式很直观，将预测框与ground truth框之间的交集比上两者的并集。 代码如下： def compute_iou(pos1,pos2): left1,top1,right1,down1 = pos1 left2,top2,right2,down2 = pos2 area1 = (right1-left1)*(top1-down1) area2 = (right2-left2)*(top2-do