• 在目標檢測問題中，好幾處地方使用了閾值這個限制指標，主要有：1. NMS操作之前用到的置信度閾值a；2. NMS進行時用到的IoU閾值b；3.計算某類別AP時，統計TP,FP個數前，用到置信度閾值c；4. 計算某類別AP時，統計TP,FP個數時，用到IoU閾值d。

• NMS用到的IoU閾值，是拿除保留的預測框外的其余預測框跟同一類別中置信度最高的預測框IoU與其作比較。
• 計算mAP用到的IoU閾值，是拿預測框與GT的IoU與其作比較。
• NMS的置信度閾值主要是為了過濾掉一些背景預測框(一般來說one stage算法用的較多，因其沒有two stage產生ROI，背景框較多）。
• 計算mAP的置信度閾值主要是用來選取TOP N（置信度分數從高到低排名的前N個檢測）的樣本來統計TP,FP,FN，計算AP。

2.IOU設置過高或過低的問題

如果?IOU?閾值設置較低，樣本的質量就難以保證；為了獲得高質量的正樣本，可以調高?IOU?閾值，但樣本數量就會降低導致正負樣本出現比例不平衡，且較高的?IOU?閾值很容易丟失小尺度目標框。

3.分類

①根據級聯思想，通過不斷提高IOU?閾值來獲得高質量的正樣本，能夠在一定程度上提高小目標的檢測效果，但存在隨著?IOU?閾值不斷提高，匹配的?Anchor?數量減少，導致漏檢的問題。

②將?IOU?閾值從?0.5?降到?0.35，使用降低閾值的方法先保證每個目標都能有足夠的錨框檢測。同時為了解決正樣本增加導致樣本質量得不到保證的問題，提出最大化背景標簽的方法，在最底層分類時將背景分為多個類別而不是二分類，對?IOU?大于0.1?的?Anchor?進行排序，幵對每個框預測?3?次背景值，取背景概率中最大的值作為最終背景，通過提高分類難度以此來解決正樣本質量得不到保證的問題，提高了小目標的檢測準確率。但此種方法可能會出現因IOU?閾值過低，造成無效的正樣本數量過多，從而導致誤檢率提高的問題。

4.總結

對于不同的檢測任務，如果待檢測目標尺度之間相差不大，即數據集中大多為同一尺度目標時，可以適當降低?IOU?閾值再進行選取，對小目標特征實現最大程度的提取。在實際應用中，同一場景下的檢測不可能只包含單一尺度的目標，存在不同目標尺度跨越相差較大的情況，如果固定?IOU?閾值進行統一檢測篩選，會帶來樣本不平衡的問題，小目標特征極有可能被嚴栺的?IOU?閾值舍棄。因此，設置動態?IOU閾值作為不同尺度目標檢測更具普適性，根據不同的樣本數量動態調整，當負樣本數量過高時不斷提高?IOU?閾值平衡樣本數量，避免了直接設置過高的?IOU?閾值而造成的漏檢，訓練出來的模型泛化性更強。

總結

以上是生活随笔為你收集整理的目标检测：NMS和计算mAP时的置信度阈值和IoU阈值的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。