我們在檢測目標物體中心點時，現有的邏輯往往不能獲得很好的效果，如下圖：

識別時，程序會將不是方形的圖像擴展為方形，不足的部分用灰色填充，目標框的繪制會首先在擴展為方形的圖像上繪制，然后將超出原圖像的部分裁剪掉，所有就會有了上面圖中箭頭所示的框

但這些識別出來的框并非我們想要的，因為它們的中心點沒有對準我們需要的目標（綠色的坨坨）

所以我們會建議，在標注時不應將靠近圖像邊緣的目標框上，一方面有利于我們向機器提供正確的目標中心點信息，另一方面如果我們標注的方框過小，可能將導致誤識別增多，如下圖所示：

雖然建議不標注靠近圖像邊緣的目標，但是系統識別時，一樣會將邊緣目標框出：

雖然我們打擊模塊會將一些超出閾值范圍的坐標過濾掉，但是最好的辦法還是我們識別系統自身對靠近圖像邊緣的方框進行濾除，因為不能夠保證每個人在標注時是否會不小心將靠近邊緣的框標上，所以我們在訓練前清洗標注時，也應將靠近邊緣的目標的標注清洗掉

如果不這樣做，對于我們做evaluate評估時的召回率和精度數據有何影響呢？

一方面，如果處于圖像邊緣標注的框過小，識別的框遠大于標注的框，那么系統在進行評估時，因為倆框的IOU小于閾值，識別框將會被判定為FP（參見：機器學習中 True Positives（真正例TP）、False Positives（假正例FP）、True Negatives（真負例TN）和 False Negatives（假負例FN）指什么）

另一方面，處于圖像邊緣的目標是不容易評估是否應該被標注的，靠近多少才不能標？沒有一個固定的標準。有人認為可以標，有人認為不用標，那么結果就是Ground Truth有的標了，有的沒標，但系統卻統統畫出框來，這樣我們的召回率和精度都會受影響

所以最好的辦法還是一方面對處于圖像邊緣的框作數據清洗，擬定一個平均框邊長大小，框中心距圖像邊緣小于二分之一邊長的，就可以濾去；另一方面對識別系統做改進，同樣濾去識別出的框中心距圖像邊緣小于二分之一邊長的框。

總結

以上是生活随笔為你收集整理的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內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。