論文地址：https://arxiv.org/pdf/1910.13302.pdf
代碼地址：GitHub - ZFTurbo/Weighted-Boxes-Fusion: Set of methods to ensemble boxes from different object detection models, including implementation of "Weighted boxes fusion (WBF)" method.
1. NMS（Non-Maximum Suppression）
【原理】
（1）將所有獲得的候選框按得分進行降序排列；
（2）選取得分最高的候選框作為基準，分別計算所有剩余候選框與該基準框的IoU（交并比），將IoU高于閾值的候選框進行剔除；
（3）在保留的非基準候選框中，重復第（2）步，直到所有的候選框都被當作基準框。最終剩下的候選框即為預測結(jié)果。
【缺點】
（1）需要手動設置閾值，且閾值會直接對結(jié)果產(chǎn)生影響；
（2）難以區(qū)分多個重疊度較高的目標。
2. Soft-NMS
【原理】
NMS算法比較強硬，超過閾值就剔除，低于閾值直接保留。所以當閾值較高時，容易造成誤檢，抑制效果不明顯；當閾值較低時，容易產(chǎn)生漏檢。因此就出現(xiàn)了soft-nms。
soft-nms通過IoU的值對候選框的得分進行懲罰衰減，不是直接去除候選框。衰減的策略有兩種，一種是使用1-IoU與得分的乘積作為衰減后的值，第二種是高斯懲罰函數(shù)。
【缺點】最終還是刪除了部分預測框的結(jié)果，不能充分利用所有候選框的信息。
3. Weighted boxes fusion
【原理】假設有N個模型的輸出結(jié)果：
（1）將所有模型的預測結(jié)果添加到列表B中，并對B按置信度得分C進行排序；
（2）聲明一個空列表L和F。其中，L用來存放邊界框簇，每個位置可以存在多個邊界框；F用來存放融合后的邊界框，每個位置只能有一個邊界框。F中每個位置的邊界框是L中對應位置邊界框簇融合后的結(jié)果。
（3）循環(huán)執(zhí)行：逐個遍歷B中的預測結(jié)果，在列表F中找到與之相匹配的框（IoU大于指定閾值，這里設置的閾值是0.55）。
（4）如果F中沒有與之匹配的框，則將B中的這個框添加到列表L和F中作為一個新的簇，然后處理B中的下一個框。
（5）如果F中的第pos個框與之匹配，那么將B中的這個框添加到列表L中的第pos個簇中。
（6）用列表L[pos]的所有T個邊界框重新計算F[pos]的邊界框坐標和置信度得分。置信度得分C是所有T個邊界框置信度得分的均值，邊界框坐標由原始坐標與置信度得分加權(quán)計算得到。
?【簡單畫了個示例】
?文章來源地址http://www.zghlxwxcb.cn/news/detail-495105.html
?文章來源：http://www.zghlxwxcb.cn/news/detail-495105.html
?
?
到了這里，關于【論文閱讀】Weighted Boxes Fusion（WBF）模型融合原理解讀的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！
