张量流对象检测API的置信度

Question

我正在通过张量流执行对象检测，并且遇到了对象检测不太准确的问题。我使用的架构是start。

更具体地说，我要解决的问题如下：

我正在尝试检测盒子，但是附上的图像将平板电脑检测为盒子，但置信水平确实很高（99％）。我想找出在哪里定义和打印置信度，因为我很好奇为什么平板电脑具有像盒子一样高的置信度。我输入的所有训练数据都是我检测到的框。

谁能帮我找出Tensorflow对象检测API中定义的置信度在哪里？或者也许让我解决这个问题？

Answer 1

首先，我将解释分数的产生方式。 显示在框边缘的置信度得分是model faster_rcnn_resnet_101的输出。这是它的产生方式。

上图是从Fast R-CNN借来的，但对于框预测器部分，Faster R-CNN具有相同的结构。我们从ROI合并层开始，所有区域建议（在特征图上）都经过合并层，并表示为固定形状的特征向量，然后通过完全连接的层，将成为 ROI特征向量< / strong>，如图所示。现在，相同的ROI特征向量将被馈送到softmax分类器进行类预测，并向bbox回归器进行边界框回归。这就是张量流图中的样子。

在图中，Flatten和Flatten_1节点都接收相同的特征张量，并且执行flat op（在opten op之后，它们实际上是第一张图中的ROI特征向量）并且它们仍然相同。现在，我们专注于 ClassPredictor ，因为这实际上将给出最终的类预测。

上图是ClassPredictor内部的内容。 实际上是第一个图所示的完全连接层。输出张量在图中的形状为64 * 24，它表示64个预测对象，每个都是24个类之一（23有1个背景课程的课程）。因此，对于每个对象，输出是1x24向量，向量中的最大值是99％和100％置信度得分。

因此，对于您的问题，未定义置信度得分，而是模型的输出，您可以在可视化功能中定义置信度得分 threshold ，所有得分都更大超过此阈值的图像将显示在图像上。因此，除非重新训练模型和/或提供更多训练数据，否则您无法更改置信度得分。在您的图中，计算精度时，检测到的99％数位板将被分类为假阳性。

解决该问题的解决方案是添加更多的训练数据和/或训练更多的步骤（但不要过度拟合）