Improving Object Detection With One Line of Code

最新推荐文章于 2025-07-11 12:22:46 发布
最新推荐文章于 2025-07-11 12:22:46 发布
阅读量7.8k 收藏 1
点赞数 1
分类专栏： paper reading object detection
本文提出Soft-NMS算法，通过连续衰减得分而非简单剔除重叠检测框，有效提升目标检测精度。该方法无需额外训练，在PASCAL VOC 2007及MS COCO等标准数据集上取得显著效果。

论文地址：https://arxiv.org/abs/1704.04503

Github项目：https://github.com/bharatsingh430/soft-nms

Improving Object Detection With One Line of Code

Navaneeth Bodla,  Bharat Singh,  Rama Chellappa,  Larry S. Davis
(Submitted on 14 Apr 2017)
Non-maximum suppression is an integral part of the object detection pipeline. First, it sorts all detection boxes on the basis of their scores. The detection box M with the maximum score is selected and all other detection boxes with a significant overlap (using a pre-defined threshold) with M are suppressed. This process is recursively applied on the remaining boxes. As per the design of the algorithm, if an object lies within the predefined overlap threshold, it leads to a miss. To this end, we propose Soft-NMS, an algorithm which decays the detection scores of all other objects as a continuous function of their overlap with M. Hence, no object is eliminated in this process. Soft-NMS obtains consistent improvements for the coco-style mAP metric on standard datasets like PASCAL VOC 2007 (1.7\% for both R-FCN and Faster-RCNN) and MS-COCO (1.3\% for R-FCN and 1.1\% for Faster-RCNN) by just changing the NMS algorithm without any additional hyper-parameters. Further, the computational complexity of Soft-NMS is the same as traditional NMS and hence it can be efficiently implemented. Since Soft-NMS does not require any extra training and is simple to implement, it can be easily integrated into any object detection pipeline. Code for Soft-NMS is publicly available on GitHub \url{ this http URL}.
Comments: ICCV 2017 submission
Subjects: Computer Vision and Pattern Recognition (cs.CV)
Cite as: arXiv:1704.04503 [cs.CV]
  (or arXiv:1704.04503v1 [cs.CV] for this version)

Sparse R-CNN: End-to-End Object Detection with Learnable Proposals论文翻译
Q1u1NG的博客
12-04 1378
Sparse R-CNN: End-to-End Object Detection with Learnable Proposals论文翻译摘要 论文地址：Sparse R-CNN: End-to-End Object Detection with Learnable Proposals 代码地址：https://github.com/PeizeSun/SparseR-CNN 摘要 我们提出了Sparse R-CNN，一种纯稀疏的方法用于图像中的目标检测。现有的目标检测工作很大程度上依赖于密集候选目标，如在
3D Object Detection经典论文整理【分类/下载/代码/笔记】
u013086672的博客
01-10 4216
笔者分类整理了与三维目标检测有关的经典论文和部分最新论文的PDF下载链接、开源代码、阅读笔记（部分）。笔者认为的必读经典论文通过加粗标识。论文主要按照Point-based和Voxel-based来划分，还包括一些交叉领域新的方向，比如Transformer、Self-ensembling等。
Soft-NMS – Improving Object Detection With One Line of Code
weixin_36670529的博客
09-13 1532
摘要 非最大抑制是目标检测流程的重要组成部分。首先，它根据所有检测框的得分对它们进行排序。选择得分最大的检测框M，抑制与M有显著重叠(使用预定义阈值)的所有其他检测框。这个过程递归地应用于其余的框。按照算法的设计,如果一个目标重叠在预定义的阈值,就丢弃它。为此,我们提出Soft-NMS,衰变的算法检测的所有其他目标作为一个连续函数的重叠与m。因此，没有目标在这一过程中消除。Soft-NMS获得一...
Soft-NMS -- Improving Object Detection With One Line of Code 论文笔记
Tianchao龙虾
05-08 307
Soft-NMS – Improving Object Detection With One Line of Code 论文链接： https://arxiv.org/abs/1704.04503 一、 Problem Statement 传统的NMS首先会对预测出来的bounding box进行排序，然后选择一个最大值与所设置的阈值进行比较，从而删除那些重叠度较高的bounding box。但是会有下图所示的问题: 传统的NMS会把相邻的检测框的置信度变为0。因此一个目标如果真的出现在重叠的阈值范围内，
从 AdamW 到 C-AdamW：训练更稳，只需一行代码即可提升训练效果！
最新发布
07-11 3860
优化器是深度学习模型训练的核心组成。尽管 Adam 和 AdamW 等基于动量的优化器已经成为默认选择，随着大语言模型（LLM）等任务的模型参数持续扩展、训练成本不断增加，其在训练效率与收敛性方面的瓶颈逐渐显现。近年来，虽然如 Lion、Adan、SHAMPOO 等一系列新优化器相继被提出，但大多存在实现复杂、超参数敏感或开销较大等问题，难以替代 AdamW 的广泛地位。在此背景下，提出一种无需重构优化器结构、能够普适提升训练性能的增强策略，成为当前优化研究的关键突破口。损失函数的单调下降性；
Soft-NMS:Improving Object Detection With One Line of Code
女王の专属领地
05-28 830
论文地址：https://arxiv.org/pdf/1704.04503.pdf Github项目：https://github.com/bharatsingh430/soft-nms 论文摘要 非最大抑制（Non-maximum suppression, NMS）是物体检测流程中重要的组成部分。它首先基于物体检测分数产生检测框，分数最高的检测框M被选中，其他与被选中检测框有明显重叠...
一行代码改进NMS
热门推荐
shuzfan的专栏
04-30 1万+
一篇讲通过改进NMS来提高检测效果的论文。文章链接： 《Improving Object Detection With One Line of Code》Github链接： https://github.com/bharatsingh430/soft-nmsMotivation 绝大部分目标检测方法，最后都要用到 NMS-非极大值抑制进行后处理。 通常的做法是将检测框按得分排序，然后保留得分最高的框
目标检测8：Improving Object Detection With One Line of Code
微风❤水墨
11-27 3034
一篇讲通过改进NMS来提高检测效果的论文。 论 文 地 址： 《Improving Object Detection With One Line of Code》 Github地址： https://github.com/bharatsingh430/soft-nms 同时这篇知乎的文章总结的也相当到位： https://zhuanlan.zhihu.com/p/28129034   ...
End-to-End Object Detection with Fully Convolutional Network论文翻译
Q1u1NG的博客
12-08 2095
End-to-End Object Detection with Fully Convolutional Network论文翻译摘要1.介绍2.相关工作2.1 全卷积目标检测器2.2 端到端的目标检测3.方法3.1 标签分配的分析3.1.1 One-to-many标签分配3.1.2 手工设计的One-to-one标签分配3.2 我们的方法3.2.1 Prediction-aware One-to-one标签分配3.2.2 3D Max Filtering3.2.3 辅助损失4. 实验4.1 实现细节4.2
深度学习目标检测Object detection中非极大值抑制（NMS和soft-NMS）
feijiongding9008的博客
12-27 2163
非极大值抑制（NMS）是对目标检测中区域提取网络和边界回归网络候选区域的筛选过程。由于图像中的目标具有多个候选的边界框（bounding box），我们的任务是要选取置信度（confident socre）最高的候选边界框，同时尽量降低对同时存在的同一类别其他物体的影响。 非极大值抑制的实现方法1：TensorFlow和Keras自带封装接口，在github上点赞最高的Mask RCNN用到 im...
Comparative Analysis of YOLOv8 with Other Object Detection Algorithms
# Comparative Analysis of YOLOv8 Against Other Object Detection Algorithms ## 1. Overview of Object Detection Algorithms Object detection is a crucial task in computer vision, aimed at identifying ...
目标检测--Improving Object Detection With One Line of Code
AI小作坊 的博客
04-20 3145
Improving Object Detection With One Line of Code https://arxiv.org/abs/1704.04503Code: https://github.com/bharatsingh430/soft-nms本文针对目标检测，对非极大值抑制这个环节进行了改善，可以检测出两个相邻的相同物体。 对于目标检测问题，我们目前主流的方法过程如下： 如果两
【论文笔记 detection】soft-nms: Improving Object Detection With One Line of Code
Bryce1010's Blog
01-31 630
前言 文章目录前言文章内容总结 文章内容 总结
[论文阅读]：Improving Object Detection With One Line of Code
苏门蒲元的博客
04-02 355
soft nms 在目标检测中，非极大值抑制是重要的组成部分，然而它存在一个问题：他会把相邻的边界框iou大于一定阈值的直接置成0，所以可能会导致丢框现象出现，会降低评测指标。论文提出的方法，是会降低和M iou大于一定阈值的score，还是会在rank list里，并不是直接删除 A major issue with non-maxinmum suppresion is that it set...
Soft-NMS: Improving object detection with one line of code
xh_hit的博客
09-15 1593
Improving object detection with one line of code 是ICCV2017的文章，主要是优化解决目标检测后处理中非极大值抑制（NMS，Non Maximum Suppression）的问题。 NMS： 在解析本文主旨之前，先回顾下当前目标检测算法中必不可少的NMS。当前，无论是两阶段的Faster-RCNN或者one-stage的SSD、YOLO等目标...
论文解读——Improving Object Detection With One Line of Code
爱做菜的炼丹师
08-14 834
摘要 非极大值抑制是目标检测流程中不可分割的一部分。首先它基于检测结果对所有检测框进行分类，选择得分最高的检测框M，并抑制与M有明显重叠的所有其他检测框，这个过程被递归地应用到其余的框上。根据算法的设计，如果一个对象位于预定义的重叠阈值内，则会导致丢失。为此，我们提出了Soft-NMS算法，该算法将其他所有对象的检测分数衰减为与M重叠的连续函数。因此，在这个过程中没有对象被消除。Soft-NMS...
Improving Object Detection With One Line of Code（2017）论文综述
qq_42575422的博客
06-16 320
为什么要做这个研究（理论走向和目前缺陷） ? 传统的NMS对有重叠的物体效果不好，因为会把两个有重叠的检测框中得分较低的框的得分直接置为0，就会导致重叠的目标不能都检测出来。 他们怎么做这个研究 （方法，尤其是与之前不同之处） ? 抛弃传统的NMS中直接将有重叠的检测框中得分较低的框直接降为0的做法，改为根据两框重叠率大小进行逐渐降低得分的做法，这样即使得分降低，通过降低最终的检测阈值便能狗将这...
Improving Object Detection With One Line of Code解读
qq_43183663的博客
03-31 225
Improving Object Detection With One Line of Code解读一、论文地址及贡献1.1论文地址1.2论文贡献二、NMS算法1.1NMS介绍1.2NMS修剪预测框的评估函数三、soft-NMS算法 一、论文地址及贡献 1.1论文地址 论文地址：https://arxiv.org/abs/1704.04503 1.2论文贡献 在原有的NMS上改进，使得检测算法的预测框更加准确。 二、NMS算法 1.1NMS介绍 检测器预测完结果，一张图像中会有很多预测框，显示的图片会有很多
《Soft-NMS – Improving Object Detection With One Line of Code》论文翻译
qq_38109282的博客
07-06 1138
前言 《Soft-NMS – Improving Object Detection With One Line of Code》发表于2017年ICCV 资源 论文下载 论文题目及作者 摘要 非最大抑制是对象检测流程的一个组成部分。首先，它根据分数对所有检测框进行排序。选择具有最大得分的检测框M，并且抑制与M有显著重叠(使用预定义阈值)的所有其他检测框。根据该算法的设计，如果一个对象位于预定义的重叠阈值内，它将被丢弃。为此，我们提出了Soft-NMS算法，该算法将所有其他对象的检测分数衰减为它们与M的重叠
Ｓｏｆｔ－ ＮＭＳ算法发展历程论文
03-27
### Soft-NMS算法的发展历程 Soft-NMS（Non-Maximum Suppression）是一种改进的传统NMS方法，旨在解决传统NMS中存在的问题。传统的NMS通过设定一个固定的阈值来筛选检测框，可能会导致部分重叠较高的真实目标被错误抑制。而Soft-NMS则引入了一种平滑的方式，通过对高重叠度的目标赋予较低的置信度分数，从而保留更多可能的真实目标。 #### 背景与发展 Soft-NMS的概念最早由Bodla等人于2017年提出，在论文《Soft-NMS – Improving Object Detection With One Line of Code》中首次介绍[^4]。该论文指出，传统NMS存在一定的局限性，即当两个边界框具有较高IoU（Intersection over Union）时，即使其中一个可能是真实的正样本，也会因为超过预设阈值而被移除。为了缓解这一问题，Soft-NMS采用一种连续函数调整其他候选框的得分，而不是简单地将其剔除。 具体而言，Soft-NMS的核心思想是对与当前最高分预测框有较大交并比的其他框施加惩罚因子，其公式如下： ```python score_i = score_i * exp(-gamma * IoU(box_i, box_max)^2) ``` 其中`box_max`表示当前得分最高的边界框，`box_i`为其余待评估的边界框，`gamma`是一个超参数用于控制衰减程度。这种方式能够更灵活地处理多个高度重叠的对象实例。 #### 进一步的研究进展 随着目标检测技术的进步，后续许多工作基于Soft-NMS进行了扩展和优化。例如，一些研究尝试结合注意力机制或者神经网络模型来自适应地调节权重分配策略；还有学者探索了多阶段式的非极大值抑制流程以进一步提升性能表现。然而值得注意的是，尽管这些变体形式各有特色，但它们大多继承自最初的Soft-NMS设计理念，并在此基础上做出针对性改良。 对于希望深入了解此领域的朋友来说，除了上述提到的基础文献外还可以关注近年来CVPR/ECCV等顶级会议上的相关投稿文章获取最新动态和发展趋势信息[^5]。 ```python def soft_nms(dets, sigma=0.5, Nt=0.3, threshold=0.001, method=1): """ Implementation example of the Soft-NMS algorithm. Parameters: dets (list): List of detections with format [x1,y1,x2,y2,score]. sigma (float): Sigma parameter used in Gaussian decay function. Nt (float): Overlap threshold. threshold (float): Minimum detection confidence to keep a bounding box. method (int): Method type for applying suppression {1: linear, 2: gaussian}. Returns: list: Remaining boxes after performing Soft-NMS operation. """ pass # Placeholder implementation details omitted here. ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值