论文阅读:Softer-NMS: Rethinking Bounding Box Regression for Accurate Object Detection

论文提出Softer-NMS方法,通过引入边界框的方差来衡量定位精度,优化目标为最小化预测分布与真实分布的KL散度。使用角点定位并调整NMS过程,避免完全抑制得分较低的边界框。实验表明,该方法能提升目标检测的准确性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Softer-NMS
文章

  和之前同样出自Megvii的一篇论文IoU-Net一样,这篇论文的出发点也是,two-stage detector进行NMS时用到的score仅仅是classification score,不能反映bounding box的定位精准度,因此引入了一个反映其定位精准度的因变量。本文的这个因变量就是bounding box的4个坐标的方差

在这里插入图片描述

可以看到,除了预测box的location外,网络还预测了一个Box std,相当于预测了一个location的高斯分布
在这里插入图片描述
  而这个方差std就是用来度量对位置估计的不确定性的量。AbsVal就是取绝对值,不使用relu的原因很简单,避免很多std直接变为0,不能反映位置的不确定性。用分布的形式表示bounding box,ground truth也可以这样表示,不过方差为0就是了:

评论 23
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值