问tensorflow对象检测API的置信度

EN

首先，我将解释分数是如何产生的。显示在框边的置信度分数是model faster_rcnn_resnet_101的输出。下面是它的生成方式。

​

​

上面的数字是从Faster借来的，但是对于盒子预测部分，更快的R有相同的结构。我们从ROI池层开始，所有区域提案(在特征图上)都经过池层，并将被表示为固定的形状特征向量，然后通过完全连接的层，将成为如图所示的ROI特征向量。现在，相同的ROI特征向量将提供给用于类预测的softmax分类器和用于包围盒回归的bbox回归器。这是它们在tensorflow图中的样子。

​

​

在图中，平坦节点和Flatten_1节点都接收相同的特征张量，并执行平坦运算(在平坦op之后，它们实际上是第一个图形中的ROI特征向量)，它们仍然是相同的。现在我们关注ClassPredictor，因为这实际上会给出最终的类预测。

​

​

上图是ClassPredictor内部的情况。实际上是一个完全连接的层，如第一个图所示。输出张量在图中是形状为64*24的，它代表了64个预测对象，每个都是24个类中的一个(23个类，1个背景类)。因此，对于每个物体，输出是一个1x24向量，99%和100%的置信度分数是向量中最大的值。

所以对于你的问题，置信度不是定义的，而是模型的输出，有一个可以在可视化函数中定义的置信度门限，所有大于这个阈值的分数都会显示在图像上。因此，除非您重新培训模型和/或提供更多的培训数据，否则无法更改信心分数。在您的数字，99%的检测平板将被归类为假阳性时，计算的精密度。

解决这一问题的办法是增加更多的培训数据和/或为更多的步骤(但不过分适合)进行培训。