【目标检测】基础知识：IoU、NMS、Bounding box regression

1. IoU

IoU(Intersection over Union)，即交并比，是目标检测中常见的评价标准，主要是衡量模型生成的bounding box和ground truth box之间的重叠程度，计算公式为：

更直观的图像化表示：

2. Non-maximum suppression

NMS(Non-maximum suppression)，即非极大值抑制，在目标检测中的出镜率也很高呀。在目标检测中，不论是最初的region proposal，还是后来的anchor box，不可避免的一个问题就是对于同一个物体，会预测出多个bounding box，如下左图所示。而NMS所做的就是去除掉多余的bounding box，只保留和ground truth重叠度最高的bounding box，如下右图所示。

在目标检测中，分类器会给每个bounding box（bb）计算出一个class score，就是这个bb属于每一类的概率，NMS就是根据这些值来进行的，主要流程：

• 对于每一类，首先把所有score<thresh1的bb的score设为0
• 之后，将所有的bb按照得分排序，选中最高分及其对应的bb
• 遍历其余的bb，如果和当前最高分bb的重叠面积(IoU)大于一定的阀值，便将该bb删除
• 从未处理的bb中继续选择一个最高分的bb，重复上述过程
• 重复上述过程，直到找到全部保留的bb
• 然后根据所有保留bb的class score和class color画出最后的预测结果

感觉整个过程没有办法用语言来表述清楚，还是用实例来解释吧，可能会清楚一些：

\1. 首先从第一类dog开始，将所以dog score < thresh1(0.3)的bb的score值设置为0

\2. 然后按照当前的dog score值给所以的bb排序：

\3. 排好序之后我们找到当前最高分0.7和其对应的bb98(红色箭头)，为了更清楚的描述整个过程，我们单独把dog score 这一行拎出来，然后我们算其余的bb和bb98的IoU：