yunyang1994 tensorflow_yolov3 对于检测中心点的边缘物体时评估IOU对召回率和精度的影响

我们在检测目标物体中心点时，现有的逻辑往往不能获得很好的效果，如下图：

识别时，程序会将不是方形的图像扩展为方形，不足的部分用灰色填充，目标框的绘制会首先在扩展为方形的图像上绘制，然后将超出原图像的部分裁剪掉，所有就会有了上面图中箭头所示的框

但这些识别出来的框并非我们想要的，因为它们的中心点没有对准我们需要的目标（绿色的坨坨）

所以我们会建议，在标注时不应将靠近图像边缘的目标框上，一方面有利于我们向机器提供正确的目标中心点信息，另一方面如果我们标注的方框过小，可能将导致误识别增多，如下图所示：

虽然建议不标注靠近图像边缘的目标，但是系统识别时，一样会将边缘目标框出：

虽然我们打击模块会将一些超出阈值范围的坐标过滤掉，但是最好的办法还是我们识别系统自身对靠近图像边缘的方框进行滤除，因为不能够保证每个人在标注时是否会不小心将靠近边缘的框标上，所以我们在训练前清洗标注时，也应将靠近边缘的目标的标注清洗掉

如果不这样做，对于我们做evaluate评估时的召回率和精度数据有何影响呢？

一方面，如果处于图像边缘标注的框过小，识别的框远大于标注的框，那么系统在进行评估时，因为俩框的IOU小于阈值，识别框将会被判定为FP（参见：机器学习中 True Positives（真正例TP）、False Positives（假正例FP）、True Negatives（真负例TN）和 False Negatives（假负例FN）指什么）

另一方面，处于图像边缘的目标是不容易评估是否应该被标注的，靠近多少才不能标？没有一个固定的标准。有人认为可以标，有人认为不用标，那么结果就是Ground Truth有的标了，有的没标，但系统却统统画出框来，这样我们的召回率和精度都会受影响

所以最好的办法还是一方面对处于图像边缘的框作数据清洗，拟定一个平均框边长大小，框中心距图像边缘小于二分之一边长的，就可以滤去；另一方面对识别系统做改进，同样滤去识别出的框中心距图像边缘小于二分之一边长的框。

总结

以上是生活随笔为你收集整理的yunyang1994 tensorflow_yolov3 对于检测中心点的边缘物体时评估IOU对召回率和精度的影响的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。