李 燁，鄒 銘

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093)

1 引 言

目標(biāo)檢測作為計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)，其研究主要分為兩個(gè)方向：1)以自動(dòng)駕駛、人臉檢測等應(yīng)用為代表的“高速度”方向，該應(yīng)用方向?qū)τ跈z測速度通常有極高的要求，但可犧牲一些精度；2)以自動(dòng)圖像標(biāo)注、目標(biāo)提取等應(yīng)用為代表的“高精度”方向，此類應(yīng)用方向通常可容忍更慢的檢測速度，但追求極致的邊界框定位能力.特別是在自動(dòng)圖像標(biāo)注的應(yīng)用領(lǐng)域內(nèi)，檢測器定位效果越好節(jié)省的人力成本就越大，可創(chuàng)造巨大的經(jīng)濟(jì)效益.

目前主流的檢測網(wǎng)絡(luò)可以分為單階段和兩階段兩大類.單階段檢測算法以SSD[1]、YOLOv3[2]、RetinaNet[3]等為代表.這些方法沒有提取感興趣區(qū)域(Region Of Interest，ROI)的過程，而是直接在圖片上預(yù)測目標(biāo)區(qū)域，相比兩階段算法具有更快的計(jì)算速度，但在檢測精度和定位性能上略差.此外，一階段的anchor free方法在公開數(shù)據(jù)集上也取得了較好的成果[4-7].兩階段檢測算法以R-CNN[8]、Fast R-CNN[9]以及Faster R-CNN[10]為代表.目前的兩階段算法一般以Faster R-CNN為基礎(chǔ)框架，通過區(qū)域建議網(wǎng)絡(luò)(Region Proposal Network，RPN)在圖片上提出建議區(qū)域，再將建議區(qū)域池化后送入檢測頭對(duì)其進(jìn)行定位精修和分類.兩階段算法的定位準(zhǔn)確性更好，但檢測速度較慢.近期提出的Cascade R-CNN[11]、Libra R-CNN[12]、Dynamic R-CNN[13]等兩階段算法在定位、樣本平衡等方面做出了改進(jìn)，提升了檢測器的性能.除網(wǎng)絡(luò)結(jié)構(gòu)之外，近年來目標(biāo)檢測算法的研究重點(diǎn)在特征表達(dá)的增強(qiáng)上，混合特征圖、特征金字塔以及特征注意力單元等方法都取得了較好的成果[14].

目標(biāo)檢測算法的檢測頭含有定位子網(wǎng)絡(luò)和分類子網(wǎng)絡(luò).定位子網(wǎng)絡(luò)預(yù)測每個(gè)框的位置坐標(biāo)，而分類子網(wǎng)絡(luò)預(yù)測每個(gè)檢測框的類別，并給出一個(gè)分類置信度.在標(biāo)準(zhǔn)的非極大值抑制(Non Maximum Suppression，NMS)[15]方法中通?；诜诸愔眯哦葘?duì)重復(fù)檢測框進(jìn)行篩選，但由于分類置信度和定位準(zhǔn)確性的之間沒有強(qiáng)相關(guān)性，基于分類置信度的篩選會(huì)對(duì)檢測器的定位準(zhǔn)確性造成很大的影響[16].如圖 1所示，雖然box2的定位性能優(yōu)于box1，但由于box2的分類置信度稍低，因此在NMS過程中box2反而被box1所抑制，導(dǎo)致定位性能差的檢測框被輸出，從而影響檢測器的定位性能.

圖1 檢測框的分類置信度與定位性能情況Fig.1 Classification score and localization performance of bounding boxes

為解決此問題，IoU-Net[16]使用邊界框的定位置信度指導(dǎo)重復(fù)邊界框選擇，以此提升檢測器的定位性能.受該方法啟發(fā)，提出一種基于定位置信度預(yù)測的兩階段目標(biāo)檢測方法Loc-aware R-CNN(Location-aware R-CNN).在實(shí)際交通場景數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)表明，新方法在定位性能方面取得了較大的提升.

2 相關(guān)工作

目前關(guān)于檢測器定位性能的研究主要集中于以下3個(gè)方面：

1)改進(jìn)檢測框架，通過迭代回歸、調(diào)整檢測器閾值等方法提升檢測器的定位性能.Cascade R-CNN設(shè)計(jì)了級(jí)聯(lián)結(jié)構(gòu)，通過逐級(jí)提升檢測器的正負(fù)樣本分辨閾值，解決了直接提升檢測器的正負(fù)樣本分辨閾值造成的訓(xùn)練過程中正樣本不足的問題，提升了定位能力.Dynamic R-CNN與Cascade R-CNN的出發(fā)點(diǎn)類似，但沒有使用級(jí)聯(lián)結(jié)構(gòu)，而是在訓(xùn)練時(shí)動(dòng)態(tài)調(diào)整分配正負(fù)樣本的閾值，避免了訓(xùn)練初期直接提升閾值造成正樣本不足、訓(xùn)練效果差的問題.

2)采用更合適的定位損失函數(shù).文獻(xiàn)[17]定義了更準(zhǔn)確的IoU計(jì)算指標(biāo)GIoU(Generalized Intersection over Union)，并將GIoU Loss作為定位分支的損失函數(shù)來指導(dǎo)訓(xùn)練.文獻(xiàn)[18]設(shè)計(jì)了DIoU和CIoU，在NMS中使用DIoU替代IoU來進(jìn)行邊界框篩選，并提出了DIoU Loss和CIoU Loss，進(jìn)一步提升檢測器的定位性能.Dynamic R-CNN設(shè)計(jì)了動(dòng)態(tài)損失函數(shù)，為smoothL1損失函數(shù)添加了動(dòng)態(tài)參數(shù).在訓(xùn)練過程中使得損失函數(shù)自適應(yīng)于樣本分布的改變，保證高質(zhì)量樣本對(duì)模型訓(xùn)練的貢獻(xiàn)，提高模型對(duì)于高質(zhì)量樣本的學(xué)習(xí)能力.

3)引入定位置信度.主要分為兩種方法，一種是將檢測框坐標(biāo)建模為某種數(shù)據(jù)分布，據(jù)此計(jì)算檢測框的定位置信度.KL Loss[19]和Gaussian YOLOv3[20]都在算法中引入了高斯分布，例如Gaussian YOLOv3將檢測框的中心坐標(biāo)x值和y值及其寬度w和高度h4個(gè)變量均建模為高斯分布，用方差描述預(yù)測坐標(biāo)的不確定性，并在邊界框篩選判據(jù)中結(jié)合了基于方差得到的定位不確定度.文獻(xiàn)[21]將Gaussian YOLOv3方法用于表面缺陷檢測，驗(yàn)證了Gaussian YOLOv3相比其它算法在定位精度上的優(yōu)勢.此外，Softer NMS[22]在KL Loss方法的基礎(chǔ)上重新設(shè)計(jì)了NMS算法，利用預(yù)測的方差進(jìn)行重復(fù)檢測框篩選.另一種方法是直接使用IoU作為定位置信度指標(biāo).IoU-Net基于Faster R-CNN設(shè)計(jì)了獨(dú)立的IoU預(yù)測分支，預(yù)測每個(gè)邊界框的IoU作為定位置信度，并提出了IoU-guided NMS后處理方法對(duì)重復(fù)邊界框進(jìn)行篩選.IoU-aware RetinaNet[23]在RetinaNet的回歸分支中設(shè)計(jì)了IoU預(yù)測分支，并設(shè)計(jì)了全新的定位置信度使用方法.

3 基于定位置信度預(yù)測的目標(biāo)檢測方法

Loc-aware R-CNN與常見以IoU作為定位置信度的方法不同之處在于：

1)使用GIoU替代IoU，并設(shè)計(jì)一種新的基于GIoU非線性變換的定位置信度指標(biāo)，以增強(qiáng)邊界框選擇時(shí)的魯棒性.

2)直接在檢測頭后輸出定位置信度，而非增加獨(dú)立的定位置信度預(yù)測分支.

3)提出Score-guided NMS方法.對(duì)定位置信度與分類置信度采用更合理的融合方式，將融合的結(jié)果用于重復(fù)檢測框篩選.

3.1 定位置信度指標(biāo)

對(duì)于前述引入定位置信度的兩種方法，IoU相比分布的方差能更直觀地體現(xiàn)定位性能的好壞，但是直接使用IoU作為定位置信度無法精確地反映檢測框與真值框(Ground Truth，GT)的重疊情況[17].因此引入GIoU作為檢測框的定位性能衡量指標(biāo)，GIoU定義為:

(1)

其中，B為檢測框，G為真值框，C為可以將B和G包含在內(nèi)的最小封閉區(qū)域.相比IoU，GIoU考慮到了兩個(gè)邊界框之間的非重疊區(qū)域，能夠反映出兩者的重疊方式，從而更好地體現(xiàn)檢測框之間的定位性能差距.

不過，重復(fù)檢測框之間的GIoU值差異通常比較小，若直接將GIoU作為定位置信度，在NMS中與分類置信度進(jìn)行融合時(shí)，融合結(jié)果更易受到后者影響，導(dǎo)致定位置信度對(duì)于邊界框選擇的指導(dǎo)作用較弱，因而有必要放大GIoU差值.另一方面，較高的GIoU值通常反映更高的定位準(zhǔn)確度，而低GIoU值的檢測框價(jià)值不高.因此，設(shè)計(jì)非線性變換對(duì)GIoU進(jìn)行轉(zhuǎn)換，得到如下新的定位置信度指標(biāo):

(2)

其中，ThrGIoU為進(jìn)行變換的GIoU閾值，小于ThrGIoU的樣本定位置信度置為0；γ參數(shù)用于控制曲線的彎曲程度.圖2示意了不同γ值的定位置信度變換曲線.

圖2 定位置信度映射Fig.2 Localization confidence mapping

非線性變換使得低GIoU的部分更為平緩，而高GIoU的部分更為陡峭，從而抑制低GIoU樣本之間的定位置信度差異，并放大高GIoU樣本之間的定位置信度差異，有利于對(duì)重復(fù)檢測框的篩選.這種非線性變換同樣可應(yīng)用于IoU或其它類似的指標(biāo).

3.2 帶定位置信度預(yù)測分支的檢測頭

在IoU-Net中，分類分支與回歸分支共享兩個(gè)全連接層(Full Connection，F(xiàn)C)，而定位置信度分支另含兩個(gè)FC，不同分支的FC需要獨(dú)立訓(xùn)練.但顯然定位置信度信息有助于提高BBox回歸分支中檢測框的定位準(zhǔn)確度，因此設(shè)計(jì)如圖 3所示模型，將定位置信度分支放入檢測頭中，3個(gè)分支共享FC.定位置信度分支參與訓(xùn)練時(shí)會(huì)使得FC更好的學(xué)習(xí)如何提取定位特征，提升定位檢測框的定位準(zhǔn)確性.同時(shí)，這一設(shè)計(jì)也減少了模型的計(jì)算量.

圖3 帶有定位置信度預(yù)測分支的檢測頭Fig.3 Detection head with a localization confidence prediction branch

為了對(duì)分類分支、邊界框回歸分支和定位置信度預(yù)測分支進(jìn)行聯(lián)合訓(xùn)練，將3個(gè)分支的損失加權(quán)求和作為檢測器的總損失.

Ltotal=Lcls+λLreg+δLloc

(3)

其中λ和δ參數(shù)分別用于調(diào)整邊界框回歸分支和定位置信度分支損失的權(quán)重.分類分支和邊界框回歸分支的損失函數(shù)與Faster R-CNN相同，分別為交叉熵?fù)p失和smoothL1損失.

(4)

(5)

(6)

3.3 Score-Guided NMS

NMS的實(shí)現(xiàn)方法對(duì)算法的定位能力有很大的影響.NMS的目標(biāo)是通過迭代，保留準(zhǔn)確的檢測框，而抑制重合率大且冗余的.例如在IoU-Net中，IoU-Guided NMS以IoU作為定位置信度，選擇定位置信度最高的檢測框，采用置信度聚類(confidence clustering)的方法更新其分類置信度，然后刪除冗余檢測框，最終輸出各輪次定位置信度最高且分類置信度得以更新的檢測框.IoU-Guided NMS的問題在于，IoU并不能準(zhǔn)確反映檢測框的定位性能，而且受遮擋等環(huán)境因素影響大，僅僅依據(jù)定位置信度排序的可靠性較差.文獻(xiàn)[23]將分類置信度和定位置信度進(jìn)行融合，提高了檢測框選擇的魯棒性，但仍然采用IoU作為定位置信度.

鑒于此，提出一種基于分類置信度和定位置信度融合分?jǐn)?shù)的NMS方法(Score-guided NMS)，偽代碼如算法1所示.同文獻(xiàn)[23]，融合分?jǐn)?shù)定義為分類置信度與定位置信度指數(shù)加權(quán)的乘積:

(7)

其中Scoredet為融合分?jǐn)?shù)，cls_confidencei和loc_confidencei分別為第i個(gè)檢測框的分類置信度與定位置信度，參數(shù)α用于控制分類置信度和定位置信度的融合權(quán)重.不同之處在于這里的定位置信度采用式(2)定義的loc_confidence (GIoU)而非IoU，從而改善IoU作為定位置信度不夠準(zhǔn)確的問題.Score-guided NMS采用置信度聚類的方法對(duì)分類置信度進(jìn)行更新，即對(duì)于匹配同一GT的一組檢測框，以這組檢測框分類置信度最大值作為該檢測框的分類置信度.此外，Score-Guided NMS在重復(fù)檢測框選擇和計(jì)算檢測框的最終分?jǐn)?shù)過程中使用不同的組合權(quán)重，前者定位置信度權(quán)重更大，以選出定位性能更好的檢測框，而后者分類置信度權(quán)重更大，以利用分類置信度計(jì)算檢測框的最終分?jǐn)?shù).在后續(xù)使用環(huán)節(jié)中，通常會(huì)設(shè)定一個(gè)閾值用于剔除誤檢框.在低于分?jǐn)?shù)閾值的檢測框中，如果檢測框定位置信度很高，即使分類置信度偏低，實(shí)際上也很有可能包含待檢測目標(biāo)，因此將分類置信度與定位置信度相融合，有利于提高檢測框的最終分?jǐn)?shù)，從而降低漏檢的可能；而如果分類置信度和定位置信度都很低，二者融合會(huì)拉低檢測框的最終分?jǐn)?shù)，不會(huì)導(dǎo)致虛檢增多.

算法 1.Score-guided NMS

輸入：B={b1，…，bn}，C={c1，…，cn}，L={l1，…，ln}，σNMS，α，β

B為一組檢測框集合，C和L分別為檢測框?qū)?yīng)的分類置信度和定位置信度集合，σNMS為NMS閾值，α為排序階段置信度融合的權(quán)重，β為計(jì)算最終邊界框分?jǐn)?shù)時(shí)置信度融合的權(quán)重.

輸出：帶分?jǐn)?shù)的檢測框集合D

1.D←?

3.whileB≠ ?do

4.bm←argmaxS(bj)

5.B←B{bm}

6.forbj∈Bdo

7.ifIoU(bm，bj)>σNMSthen

8.c←max(C(bm),C(bj))

9.B←B{bj}

10.endif

11.endfor

12.s←cβ·L(bm)(1-β)

13.D←D∪{}

14.endwhile

15.returnD

4 實(shí)驗(yàn)與分析

實(shí)驗(yàn)環(huán)境為Ubuntu v18.04操作系統(tǒng)，GPU為NVIDIA TESLA V100 32GB，CPU為Intel Xeon Gold 6140.深度學(xué)習(xí)框架采用PyTorch.實(shí)驗(yàn)數(shù)據(jù)為手工標(biāo)注的交通場景人車目標(biāo)數(shù)據(jù)集，圖像截取自自采的交通道路視頻，包含城市道路、高速公路、郊外道路等環(huán)境和晴天、陰天、雨天等多種天氣場景，目標(biāo)類別包含汽車、卡車、公交車、自行車、摩托車、行人、騎行者等多種常見的交通參與者.數(shù)據(jù)集共有40828張圖片，包含80多萬個(gè)目標(biāo)，其中訓(xùn)練集36351張，測試集4527張.

實(shí)驗(yàn)中設(shè)定用于控制非線性變換的參數(shù)γ為1.7；損失函數(shù)權(quán)重參數(shù)λ和δ分別為1和2；Score-Guided NMS中融合分?jǐn)?shù)的權(quán)重α和β分別為0.3和0.7.共計(jì)訓(xùn)練35個(gè)epoch，采用Adam優(yōu)化器進(jìn)行優(yōu)化，衰減系數(shù)為0.0005，初始學(xué)習(xí)率設(shè)置為0.002，在第12和第20個(gè)epoch分別衰減為0.0001和0.00005.訓(xùn)練的batch size為16，輸入分辨率為1024×512.對(duì)比實(shí)驗(yàn)使用平均準(zhǔn)確率(Average Precision，AP)作為對(duì)比指標(biāo)，并且主要關(guān)注AP85、AP95的提升情況來體現(xiàn)方法對(duì)于算法定位性能的提升.

4.1 定位置信度分支對(duì)定位性能的影響

在檢測頭中添加定位置信度分支將影響共享全連接層的訓(xùn)練，從而影響到回歸分支的定位性能.表 1給出了相關(guān)實(shí)驗(yàn)結(jié)果，其中Loc-aware R-CNN (IoU)和Loc-aware R-CNN (GIoU)表示在標(biāo)準(zhǔn)Faster R-CNN的基礎(chǔ)上，分別包含了以IoU和GIoU作為定位置信度的分支.為保證實(shí)驗(yàn)結(jié)果僅受到網(wǎng)絡(luò)結(jié)構(gòu)影響，Loc-aware R-CNN在測試時(shí)未使用定位置信度分支輸出的信息，同F(xiàn)aster R-CNN一樣也采用標(biāo)準(zhǔn)NMS進(jìn)行后處理.由實(shí)驗(yàn)結(jié)果可見，加入定位置信度分支后，Loc-aware R-CNN (IoU)和Loc-aware R-CNN (GIoU)的AP分別有0.3%和0.4%的提升，而AP80和AP85則有0.5%～0.7%的提升，這表明增加定位置信度分支對(duì)于邊界框回歸分支的定位能力有所改善.值得注意的是，使用IoU和GIoU作為定位置信度都有類似的效果，說明定位置信度分支對(duì)共享全連接層的影響并非偶然結(jié)果.

表1 定位置信度分支對(duì)定位性能的影響Table 1 Influence of localization confidence branch on localization performance

4.2 定位置信度指標(biāo)的有效性

為了驗(yàn)證所提出定位置信度指標(biāo)的有效性，基于5種定位置信度指標(biāo)分別訓(xùn)練Loc-aware R-CNN做對(duì)比實(shí)驗(yàn).包括IoU、DIoU、GIoU以及基于IoU和GIoU經(jīng)式(2)非線性變換得到的loc_confidence (IoU)和loc_confidence (GIoU).各模型均采用Score-Guided NMS進(jìn)行后處理，實(shí)驗(yàn)結(jié)果如表2所示.從表中分析可以得出，在前三者中，IoU和DIoU表現(xiàn)相近，而基于GIoU的定位效果最佳，這說明GIoU能更精確地描述檢測框與GT的相交程度，更適合作為定位置信度.loc_confidence (IoU)和loc_confidence (GIoU)相比于GIoU其AP進(jìn)一步有0.5%的提升，這是由于loc_confidence非線性變換增大了高GIoU檢測框之間的定位置信度差異，更利于后續(xù)NMS篩選檢測框.

表2 不同定位置信度指標(biāo)效果對(duì)比Table 2 Comparison of the effects of different localization confidence indicators

4.3 Score-guided NMS效果分析

對(duì)比研究不同的后處理方案，包括文獻(xiàn)[23]的NMS方法、IoU-Net的IoU-guided NMS以及本文的Score-guided NMS.如表 3所示，實(shí)驗(yàn)結(jié)果表明，IoU-guided NMS除AP50稍高于文獻(xiàn)[23]方法，其余指標(biāo)均更低，原因在于目標(biāo)密集或受遮擋的場景下IoU本身的預(yù)測可靠性較差，僅是用IoU作為排序依據(jù)會(huì)受到目標(biāo)密集、遮擋等因素的影響，降低定位的準(zhǔn)確性.文獻(xiàn)[23]將分類置信度和IoU進(jìn)行相乘融合，一定程度克服了這一問題.Score-guided NMS的各項(xiàng)指標(biāo)均高于其它兩種方法，這是由于其在排序和計(jì)算最終檢測框分?jǐn)?shù)時(shí)采用不同的權(quán)重，使得各環(huán)節(jié)能得到更合理的融合分?jǐn)?shù).

表3 不同后處理算法效果對(duì)比Table 3 Comparison of the effects of different post-processing algorithms

4.4 消融實(shí)驗(yàn)

表4給出了消融實(shí)驗(yàn)的結(jié)果，其中：方法1為Faster R-CNN；方法2在Faster R-CNN基礎(chǔ)上加入定位分支、但僅采用常規(guī)NMS，以驗(yàn)證定位置信度分支訓(xùn)練對(duì)模型定位性能的影響；方法3在方法2的基礎(chǔ)上將NMS換成了Score-guided NMS，以驗(yàn)證Score-guided NMS方法的效果；方法4在方法3的基礎(chǔ)上換用loc_confidence (GIoU)作為定位置信度，分析加入定位置信度非線性變換對(duì)于模型性能的提升效果.

表4 消融實(shí)驗(yàn)Table 4 Ablation experiments

由實(shí)驗(yàn)結(jié)果可得，方法2相比Faster R-CNN，獲得了0.4%的AP提升，方法3相比于方法2獲得了1.5%的AP提升，而方法4相較于方法3，AP進(jìn)一步提升了0.7%.從上述分析可知，加入定位置信度分支、對(duì)定位置信度做非線性變換以及采用Score-guided NMS，這3種機(jī)制都不同程度地提高了算法的定位性能.

4.5 與典型算法對(duì)比

表5給出了RetinaNet、Faster R-CNN和所提算法Loc-aware R-CNN使用不同骨干網(wǎng)絡(luò)(backbone)時(shí)在測試結(jié)果.可以看出，F(xiàn)aster R-CNN除了采用ResNet50和ResNet101作為骨干網(wǎng)絡(luò)時(shí)AP95值稍低于RetinaNet，其余情形下均更優(yōu)，而Loc-aware R-CNN則全面優(yōu)于Faster R-CNN，以ResNet101為骨干網(wǎng)絡(luò)為例，Loc-aware R-CNN的AP值提升了2.6%，APS、APM和APL也都有一定程度的提升，說明其對(duì)于不同尺度目標(biāo)的定位能力均得到了加強(qiáng).而且，Loc-aware R-CNN的性能提升在高定位要求指標(biāo)上表現(xiàn)更為明顯，例如采用ResNet101骨干網(wǎng)絡(luò)時(shí)，AP50的提升為0.8%，而AP85和AP95則分別提升了4.3%和2.7%，表明模型的精確定位能力提升明顯.

表5 算法性能對(duì)比Table 5 Algorithms′ performance comparison

圖4給出了Loc-aware R-CNN與Faster R-CNN的檢測效果示例.容易看出，F(xiàn)aster R-CNN給出的檢測框貼合不夠緊密，例如圖4第1行的黑色越野車及第2行遠(yuǎn)處的行人，而Loc-aware R-CNN給出了更好的定位效果.其次，Loc-aware R-CNN對(duì)于被遮擋目標(biāo)的定位效果也有明顯提升，例如對(duì)于圖4第2行近處被部分遮擋的騎行者和自行車，自行車檢測框及騎行者和自行車的組合檢測框明顯更為準(zhǔn)確.此外，從圖4第2行的對(duì)比可以看出，Loc-aware R-CNN檢出了Faster R-CNN漏檢的行人.這是由于行人類別受到不同類別目標(biāo)的樣本數(shù)量不均衡以及光照、遮擋等條件的影響，分類置信度普遍偏低，易造成漏檢.但Score-guided NMS在計(jì)算最終檢測分?jǐn)?shù)時(shí)融入了定位置信度信息，提高了可能含有目標(biāo)的檢測框的分?jǐn)?shù)，降低了漏檢的概率.

圖4 檢測效果Fig.4 Detection effect

5 結(jié) 語

提出了一種基于定位置信度預(yù)測的二階段目標(biāo)檢測方法，為Faster R-CNN框架添加定位置信度預(yù)測分支，對(duì)分類、邊界框定位和定位置信度3個(gè)分支進(jìn)行聯(lián)合訓(xùn)練，進(jìn)而將定位置信度與分類置信度相融合，設(shè)計(jì)了基于融合分?jǐn)?shù)的非極大值抑制后處理算法.此外，設(shè)計(jì)了一種新的基于GIoU非線性變換的定位置信度指標(biāo)，增大高GIoU檢測框之間的定位置信度差異，以利于非極大值抑制過程中重復(fù)檢測框的篩選.所提方法有效提升了目標(biāo)檢測的定位性能，特別是對(duì)于需要高定位性能的應(yīng)用場景具有很大的實(shí)際意義.下一步，定位置信度的準(zhǔn)確預(yù)測值得研究，其很大程度上影響到NMS中對(duì)檢測框定位性能的判斷.