在目標檢測當中，有乙個重要的概念就是 iou。一般指代模型**的 bbox 和 groud truth 之間的交並比。
何為交並比呢？
集合 a 和集合 b 的並集包括了上面 3 種顏色區域。
集合 c 是集合 a 與集合 b 的交集。
在目標檢測當中，iou 就是上面兩種集合的比值。
a ∪b
a \cup b
a∪b 其實就是 a+b
−ca + b - c
a+b−c。
那麼公式可以轉變為：
i ou
=a∩b
a+b−
(a∩b
)iou = \frac
iou=a+
b−(a
∩b)a
∩b
iou 衡量兩個集合的重疊程度。
在 2d 目標檢測當中，因為 bbox 是矩形，所以很容易求得 iou。
方框 a 和 b 相交，典型的情況如下：
a 和 b 的面積容易求得，c 的面積稍微繁瑣一點，但耐心細緻的話可以求得。
如果利用數學思維，細心整理，可以發現面積 c 只需要求得邊長的乘積就好，即使 a 和 b 的位置是相對的，但稍加變換也能夠求出。
如果以 w 代表 a 和 b 的交集 c 的 x 軸方向上的邊長，那麼有
w =m
in(a
.x1,
b.x1
)−ma
x(a.
x0,b
.x0)
w = min(a.x_,b.x_) - max(a.x_,b.x_)
w=min(
a.x1
,b.
x1)
−max
(a.x
0,b
.x0
)同理，
h =m
in(a
.y1,
b.y1
)−ma
x(a.
y0,b
.y0)
h = min(a.y_,b.y_) - max(a.y_,b.y_)
h=min(
a.y1
,b.
y1)
−max
(a.y
0,b
.y0
)大家仔細觀察上面的對應關係，可以發現公式是成立的。這個公式的推導並不難，無非是 4 個頂點的座標的相對位置變換，大家可以自行琢磨。
如果 a 與 b 根本就不相交。
這個時候可以發現 w <= 0 或 h <= 0.
下面是 python **。
class
bbox
:def
__init__
(self,x,y,w,h)
: self.x = x
self.y = y
self.w = w
self.h = h
defiou
(a,b)
:assert
isinstance
(a,bbox)
assert
isinstance
(b,bbox)
area_a = a.w * a.h
area_b = b.w * b.h
w =min(b.x+b.w,a.x+a.w)
-max
(a.x,b.x)
h =min(b.y+b.h,a.y+a.h)
-max
(a.y,b.y)
if w <=
0or h <=0:
return
0 area_c = w * h
return area_c /
(area_a + area_b - area_c)
if __name__ ==
'__main__'
: a = bbox(1,
1,4,
5)b1 = bbox(1,
1,4,
5)b2 = bbox(5,
1,4,
5)b3 = bbox(3,
2,3,
6)print
("iou "
,iou(a,b1)
)print
("iou "
,iou(a,b2)
)print
("iou "
,iou(a,b3)
)
iou 1.0
iou 0
iou 0.26666666666666666
目標檢測中IoU計算
1.含義 iou即交並比 intersection over union 是真實的目標框ground truth與演算法 出來的目標框prediction之間差距的衡量指標。計算公式 iou a b a b 一般來說，iou值越大，說明 的越準確，通常取0.5作為閾值。2.python程式實現 de...
1 目標檢測中IOU評價函式
在目標檢測的評價體系中，有乙個引數叫做 iou 簡單來講就是模型產生的目標視窗和原來標記視窗的交疊率。具體我們可以簡單的理解為 即檢測結果 detectionresult 與 ground truth 的交集比上它們的並集，即為檢測的準確率 iou 如下圖所示 gt groundtruth dr d...
深度學習目標檢測
流程狂徒如下 1 使用selective search提取proposes，然後利用cnn等識別技術進行分類。2 使用識別庫進行預訓練，而後用檢測庫調優引數。3 使用svm代替了cnn網路中最後的softmax，同時用cnn輸出的4096維向量進行bounding box回歸。4 流程前兩個步驟 候...