深度学习笔记（37） 交并比

---

1. 交并比

并交比（Intersection over Union）函数，可以用来评价对象检测算法，判断对象检测算法运作是否良好

在对象检测任务中，希望能够同时定位对象，所以如果实际边界框是这样的
算法给出这个紫色的边界框
两个边界框的并集是这个区域，就是属于包含两个边界框区域（绿色阴影表示区域）
所以交并比（loU）函数做的是计算两个边界框交集和并集之比
而交集就是这个比较小的区域（橙色阴影表示区域）
那么交并比就是交集的大小，这个橙色阴影面积，然后除以绿色阴影的并集面积

---

2. 评价准则

交并比：IOU=(A∩B)/(A∪B)

一般约定，在计算机检测任务中，如果loU≥0.5，那么结果是可以接受的，就说检测正确
如果预测器和实际边界框完美相同大小，就预示着交集要大于三分之二
如果预测器和实际边界框完美重叠，loU就是1，因为交集就等于并集

一般约定，0.5是阈值，用来判断预测的边界框是否正确
一般是这么约定，但如果希望更严格一点，可以将loU定得更高，比如说大于0.6或者更大的数字
但loU越高，边界框越精确
所以这是衡量定位精确度的一种方式

只需要统计算法正确检测和定位对象的次数
就可以用这样的定义判断对象定位是否准确
有时看到更严格的标准，比如0.6甚至0.7
但很少见到有人将阈值降到0.5以下

人们定义loU这个概念是为了评价对象定位算法是否精准
但更一般地说，loU衡量了两个边界框重叠地相对大小

如果有两个边界框，可以计算交集，计算并集，然后求两个数值的比值
所以这也可以判断两个边界框是否相似

---

参考：

《神经网络和深度学习》视频课程

---

相关推荐：

深度学习笔记（36） 边界框预测
深度学习笔记（35） 滑动窗口的卷积实现
深度学习笔记（34） 目标检测
深度学习笔记（33） 特征点检测
深度学习笔记（32） 目标定位

---

谢谢！