3.6 交并比-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
| 3.5 Bounding Box 預(yù)測 | 回到目錄 | 3.7 非極大值抑制 |
交并比 (Intersection over Union)
你如何判斷對象檢測算法運作良好呢？在本視頻中，你將了解到并交比函數(shù)，可以用來評價對象檢測算法。在下一個視頻中，我們用它來插入一個分量來進一步改善檢測算法，我們開始吧。
在對象檢測任務(wù)中，你希望能夠同時定位對象，所以如果實際邊界框是這樣的，你的算法給出這個紫色的邊界框，那么這個結(jié)果是好還是壞？所以交并比（loU）函數(shù)做的是計算兩個邊界框交集和并集之比。兩個邊界框的并集是這個區(qū)域，就是屬于包含兩個邊界框區(qū)域（綠色陰影表示區(qū)域），而交集就是這個比較小的區(qū)域（橙色陰影表示區(qū)域），那么交并比就是交集的大小，這個橙色陰影面積，然后除以綠色陰影的并集面積。
一般約定，在計算機檢測任務(wù)中，如果 IoU≥0.5IoU\geq0.5IoU≥0.5 ，就說檢測正確，如果預(yù)測器和實際邊界框完美重疊，loU就是1，因為交集就等于并集。但一般來說只要 IoU≥0.5IoU\geq0.5IoU≥0.5 ，那么結(jié)果是可以接受的，看起來還可以。一般約定，0.5是閾值，用來判斷預(yù)測的邊界框是否正確。一般是這么約定，但如果你希望更嚴格一點，你可以將loU定得更高，比如說大于0.6或者更大的數(shù)字，但loU越高，邊界框越精確。
所以這是衡量定位精確度的一種方式，你只需要統(tǒng)計算法正確檢測和定位對象的次數(shù)，你就可以用這樣的定義判斷對象定位是否準確。再次，0.5是人為約定，沒有特別深的理論依據(jù)，如果你想更嚴格一點，可以把閾值定為0.6。有時我看到更嚴格的標準，比如0.6甚至0.7，但很少見到有人將閾值降到0.5以下。
人們定義loU這個概念是為了評價你的對象定位算法是否精準，但更一般地說，loU衡量了兩個邊界框重疊地相對大小。如果你有兩個邊界框，你可以計算交集，計算并集，然后求兩個數(shù)值的比值，所以這也可以判斷兩個邊界框是否相似，我們將在下一個視頻中再次用到這個函數(shù)，當(dāng)我們討論非最大值抑制時再次用到。
好，這就是loU，或者說交并比，不要和借據(jù)中提到的我欠你錢的這個概念所混淆，如果你借錢給別人，他們會寫給你一個借據(jù)，說：“我欠你這么多錢（I own you this much money）。”，這也叫做loU。這是完全不同的概念，這兩個概念重名。
現(xiàn)在介紹了loU交并比的定義之后，在下一個視頻中，我想討論非最大值抑制，這個工具可以讓YOLO算法輸出效果更好，我們下一個視頻繼續(xù)。
課程板書
| 3.5 Bounding Box 預(yù)測 | 回到目錄 | 3.7 非極大值抑制 |
總結(jié)
以上是生活随笔為你收集整理的3.6 交并比-深度学习第四课《卷积神经网络》-Stanford吴恩达教授的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 3.5 Bounding Box 预测-
- 下一篇： 3.7 非极大值抑制-深度学习第四课《卷