目标检测-提升方案-目标框加权融合-Weighted Boxes Fusion笔记及源码

Weighted Boxes Fusion 是2019年cvpr的一篇文章,文章非常之短(只有三页不到),并且对bounding box 的融合又非常有效的方法。

原文链接:https://arxiv.org/pdf/1910.13302.pdf
源码https://github.com/ZFTurbo/Weighted-Boxes-Fusion

下面是WBF的算法步骤:

  1. 每个模型的每个预测框都添加到List B,并将此列表按置信度得分C降序排列
  2. 建立空List L 和 F(用于融合的)
  3. 循环遍历B,并在F中找到于之匹配的box(同一类别MIOU > 0.55)
  4. 如果 step3 中没有找到匹配的box 就将这个框加到L和F的尾部
  5. 如果 step3 中找到了匹配的box 就将这个框加到L,加入的位置是box在F中匹配框的Index. L中每个位置可能有多个框,需要根据这多个框更新对应F[index]的值。
    目标检测-提升方案-目标框加权融合-Weighted Boxes Fusion笔记及源码_第1张图片
    上图为F[index]更新方法,x,y对应的是坐标值,对坐标值根据置信值进行加权求和。
  6. 遍历完成后对F中的元素再进行一次置信值的调整,下图为调整的方法
    目标检测-提升方案-目标框加权融合-Weighted Boxes Fusion笔记及源码_第2张图片
    这样调整的原因是减少某些box只被少数模型预测到的置信值。

实验对比了其他几种目标框融合的方法:
目标检测-提升方案-目标框加权融合-Weighted Boxes Fusion笔记及源码_第3张图片
WBF 的一些缺陷:

  1. 速度慢,大概比标准NMS慢3倍
  2. WBF实验中是在已经完成NMS的模型上进行的

你可能感兴趣的:(目标检测,深度学习,人工智能,算法)