计算机视觉之小目标的IOU阈值匹配

kuangzhanshi 2021-08-01 原文

1.IOU的定义

交并比 IOU(Intersection Over Union)是指目标预测边界框和真实边界框的交集和并集的比值，即物体Bounding Box 与 Ground Truth 的重叠度，IOU 的定义是为了衡量物体定位精度的一种标准。

2.IOU设置过高或过低的问题

如果 IOU 阈值设置较低，样本的质量就难以保证；为了获得高质量的正样本，可以调高 IOU 阈值，但样本数量就会降低导致正负样本出现比例不平衡，且较高的 IOU 阈值很容易丢失小尺度目标框。

3.分类

①根据级联思想，通过不断提高IOU 阈值来获得高质量的正样本，能够在一定程度上提高小目标的检测效果，但存在随着 IOU 阈值不断提高，匹配的 Anchor 数量减少，导致漏检的问题。

②将 IOU 阈值从 0.5 降到 0.35，使用降低阈值的方法先保证每个目标都能有足够的锚框检测。同时为了解决正样本增加导致样本质量得不到保证的问题，提出最大化背景标签的方法，在最底层分类时将背景分为多个类别而不是二分类，对 IOU 大于0.1 的 Anchor 进行排序，幵对每个框预测 3 次背景值，取背景概率中最大的值作为最终背景，通过提高分类难度以此来解决正样本质量得不到保证的问题，提高了小目标的检测准确率。但此种方法可能会出现因IOU 阈值过低，造成无效的正样本数量过多，从而导致误检率提高的问题。

4.总结

对于不同的检测任务，如果待检测目标尺度之间相差不大，即数据集中大多为同一尺度目标时，可以适当降低 IOU 阈值再进行选取，对小目标特征实现最大程度的提取。在实际应用中，同一场景下的检测不可能只包含单一尺度的目标，存在不同目标尺度跨越相差较大的情况，如果固定 IOU 阈值进行统一检测筛选，会带来样本不平衡的问题，小目标特征极有可能被严栺的 IOU 阈值舍弃。因此，设置动态 IOU阈值作为不同尺度目标检测更具普适性，根据不同的样本数量动态调整，当负样本数量过高时不断提高 IOU 阈值平衡样本数量，避免了直接设置过高的 IOU 阈值而造成的漏检，训练出来的模型泛化性更强。