我們在檢測目標(biāo)物體中心點(diǎn)時(shí)，現(xiàn)有的邏輯往往不能獲得很好的效果，如下圖：

識(shí)別時(shí)，程序會(huì)將不是方形的圖像擴(kuò)展為方形，不足的部分用灰色填充，目標(biāo)框的繪制會(huì)首先在擴(kuò)展為方形的圖像上繪制，然后將超出原圖像的部分裁剪掉，所有就會(huì)有了上面圖中箭頭所示的框

但這些識(shí)別出來的框并非我們想要的，因?yàn)樗鼈兊闹行狞c(diǎn)沒有對準(zhǔn)我們需要的目標(biāo)（綠色的坨坨）

所以我們會(huì)建議，在標(biāo)注時(shí)不應(yīng)將靠近圖像邊緣的目標(biāo)框上，一方面有利于我們向機(jī)器提供正確的目標(biāo)中心點(diǎn)信息，另一方面如果我們標(biāo)注的方框過小，可能將導(dǎo)致誤識(shí)別增多，如下圖所示：

雖然建議不標(biāo)注靠近圖像邊緣的目標(biāo)，但是系統(tǒng)識(shí)別時(shí)，一樣會(huì)將邊緣目標(biāo)框出：

雖然我們打擊模塊會(huì)將一些超出閾值范圍的坐標(biāo)過濾掉，但是最好的辦法還是我們識(shí)別系統(tǒng)自身對靠近圖像邊緣的方框進(jìn)行濾除，因?yàn)椴荒軌虮ＷC每個(gè)人在標(biāo)注時(shí)是否會(huì)不小心將靠近邊緣的框標(biāo)上，所以我們在訓(xùn)練前清洗標(biāo)注時(shí)，也應(yīng)將靠近邊緣的目標(biāo)的標(biāo)注清洗掉

如果不這樣做，對于我們做evaluate評估時(shí)的召回率和精度數(shù)據(jù)有何影響呢？

一方面，如果處于圖像邊緣標(biāo)注的框過小，識(shí)別的框遠(yuǎn)大于標(biāo)注的框，那么系統(tǒng)在進(jìn)行評估時(shí)，因?yàn)閭z框的IOU小于閾值，識(shí)別框?qū)?huì)被判定為FP（參見：機(jī)器學(xué)習(xí)中 True Positives（真正例TP）、False Positives（假正例FP）、True Negatives（真負(fù)例TN）和 False Negatives（假負(fù)例FN）指什么）

另一方面，處于圖像邊緣的目標(biāo)是不容易評估是否應(yīng)該被標(biāo)注的，靠近多少才不能標(biāo)？沒有一個(gè)固定的標(biāo)準(zhǔn)。有人認(rèn)為可以標(biāo)，有人認(rèn)為不用標(biāo)，那么結(jié)果就是Ground Truth有的標(biāo)了，有的沒標(biāo)，但系統(tǒng)卻統(tǒng)統(tǒng)畫出框來，這樣我們的召回率和精度都會(huì)受影響

所以最好的辦法還是一方面對處于圖像邊緣的框作數(shù)據(jù)清洗，擬定一個(gè)平均框邊長大小，框中心距圖像邊緣小于二分之一邊長的，就可以濾去；另一方面對識(shí)別系統(tǒng)做改進(jìn)，同樣濾去識(shí)別出的框中心距圖像邊緣小于二分之一邊長的框。

總結(jié)

以上是生活随笔為你收集整理的yunyang1994 tensorflow_yolov3 对于检测中心点的边缘物体时评估IOU对召回率和精度的影响的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。