最近又把大神的faster rcnn程序搬出来，有点小感悟，小发现。
非极大值抑制NMS,绝逼是个好东西，说明如下。
-
proposal输出结果
原始的proposal输出结果如下：
疑似目标区域，如上，这是在逗我么，一团乱麻（6000个候选框）。经过非极大值抑制之后：
啥感觉，是不是有点眉目了，NMS功不可没。但是，说实话，结果依然很凌乱，其实仅从性能来说，相比Selective Search等传统预检测器没啥优势，不过它个很好的替代方案。
- 二次识别
以上丑陋的输出结果，距离最终的检测结果差距依然很大，咋办呢？ “上分类器啊”
既然有了候选框，把所有的候选框放在分类器上做一次分类识别，岂不可以筛除好多block？ let do it.
这正是faster rcnn 中识别网络做的事：
识别网络结构如上图所示，通过此网络，可输出修正窗口信息和类别置信度信息。经过识别网络后的修正后的图像块如下：
效果真的难以让人信服有木有，这时候NMS又该上场了：“让我拯救地球！！”
这时候，图像块个数由163缩小到了14块。快大功告成了。
用分类阈值一卡，done!!. 识别结果新鲜出炉。！！
NMS与分类器共同作用，使得看似很难的任务变得容易实现，好好理解一下NMS吧。
参考博客NMS
- matlab与caffe之间的接口
matlab与caffe之间接口
matlab与caffe接口可方便的进行中间结果数据的查看，及图表绘制等操作，其实比python要方便一些。
net.blobs(‘blob_name’).get_data() 语句可以获取feature_Map数据
net.params(‘layer_name’,1).get_data() 获取param1数据，一般为kernel
net.params(‘layer_name’,2).get_data() 获取param2数据，一般为biase
- faster rcnn proposal层分析
proposal网络最终输出初检测结果，其中包括anchor下的得分值。anchor有 3个尺度【128，256，512】，3个长宽(width:height)比【2：1，1：1，1：2】。
9个anchor的组成方式为：
[2:1]—>128,256,512
[1:1]—->128,256,512
[1:2]—->128,256,512