1. training

1.1. IoU branch training

• 首先由gt（红色框）生成一些candicates（绿色框）

• remove与gt的IOU小于0.5的cadicates

• 使用PrRoI Pooling提取特征，进入IoU分支进行预测。target就是绿色框与红色框的IoU

iou训练流程

2. Inference

2.1. IoU-guided NMS

image

2.2. Bounding box refinement as an optimization procedure

注意这里是inference阶段，参数都固定下来了

• 对于预测的boxes，首先通过PrPool提取出特征

• feed进IoU branch计算 score

• 再对boxes坐标求导，更新boxes坐标得到new boxes

• new boxes进行PrPool提取特征，在IoU branch计算出new score

• 当new score与score差别不大，或者执行超过T

image

2.3 PrPool

参考

2.3.1 好处

• 没有量化误差

• 可导

2.3.2 三种pooling比较

下图红色虚线是一个bin，并非box

image

• ROI Align是在bin中取4个点，通过差值计算出四个点的值，再对四个点avg来代表bin的值

• PrROI相当于在bin中取无数个点(因为是连续的)，再对这无数个点的值sum, 再除以bin的面积取平均

• 即上图，对积分，再比上

• 如何对这无数个点的每一个点计算特征值 呢？

bin值计算方式

---