联合特征相似性度量和交并比的检测框优选研究

作者：孙世强; 左海维^*; 赵露婷

来源：电脑知识与技术, 2019, 15(29): 190-193.

DOI：10.14004/j.cnki.ckt.2019.3483

• 目标检测
• 非极大值抑制算法
• Faster R-CNN
• 交并比
• 特征相似性度量

非极大值抑制(Non-Maximum Suppression,NMS)算法作为Faster R-CNN(region-based convolutional neural network,R-CNN)的后置处理算法,从物理空间判定检测框的重叠比例,忽略内在特征联系,造成漏检和误检问题。因此提出联合特征相似性度量和交并比的检测框优选方法(Optimized box Based on IoU and Feature similarity,OBIF)。该方法首先计算两个检测框的交并比(Intersection over Union,IoU),判断检测框之间的重叠比例;然后计算闵式距离,表示重叠的检测框之间的特征相近性,进行深层次判断;最后联合闵氏距离和交并比实现检测框优选。当运行效率一致和时间复杂度相同时,将Faster R-CNN+OBIF应用到PASCAL VOC 2007数据集和结直肠腺癌数据集,比较传统NMS算法,平均识别准确率分别提高了1.4%和1.1%,方法检测精度得到显著的提升。

• 单位
  徐州医科大学