1.IOU的定義
交並比 IOU(Intersection Over Union)是指目標預
測邊界框和真實邊界框的交集和並集的比值，即物體
Bounding Box 與 Ground Truth 的重疊度，IOU 的定
義是為了衡量物體定位精度的一種標准。
2.IOU設置過高或過低的問題
如果 IOU 閾值設置較低，
樣本的質量就難以保證；為了獲得高質量的正樣本，
可以調高 IOU 閾值，但樣本數量就會降低導致正負樣
本出現比例不平衡，且較高的 IOU 閾值很容易丟失
小尺度目標框。
3.分類
①
根據級聯思想，通過不斷提高
IOU 閾值來獲得高質量的正樣本，能夠在一定程度上
提高小目標的檢測效果，但存在隨着 IOU 閾值不斷提
高，匹配的 Anchor 數量減少，導致漏檢的問題。
②
將 IOU 閾值從 0.5 降到 0.35，使用降低
閾值的方法先保證每個目標都能有足夠的錨框檢測。
同時為了解決正樣本增加導致樣本質量得不到保證的
問題，提出最大化背景標簽的方法，在最底層分
類時將背景分為多個類別而不是二分類，對 IOU 大於
0.1 的 Anchor 進行排序，幵對每個框預測 3 次背景值，
取背景概率中最大的值作為最終背景，通過提高分類
難度以此來解決正樣本質量得不到保證的問題，提高
了小目標的檢測准確率。但此種方法可能會出現因
IOU 閾值過低，造成無效的正樣本數量過多，從而導
致誤檢率提高的問題。
4.總結
對於不同的檢測任務，如果待檢測目標尺度之間
相差不大，即數據集中大多為同一尺度目標時，可以
適當降低 IOU 閾值再進行選取，對小目標特征實現最
大程度的提取。在實際應用中，同一場景下的檢測不
可能只包含單一尺度的目標，存在不同目標尺度跨越
相差較大的情況，如果固定 IOU 閾值進行統一檢測篩
選，會帶來樣本不平衡的問題，小目標特征極有可能
被嚴栺的 IOU 閾值舍棄。因此，設置動態 IOU閾值作
為不同尺度目標檢測更具普適性，根據不同的樣本數
量動態調整，當負樣本數量過高時不斷提高 IOU 閾值
平衡樣本數量，避免了直接設置過高的 IOU 閾值而造
成的漏檢，訓練出來的模型泛化性更強。