non-max suppression(非最大值抑制)

最新推荐文章于 2023-09-12 11:16:10 发布
最新推荐文章于 2023-09-12 11:16:10 发布
阅读量6.5k 收藏 9
点赞数 3
分类专栏： 卷积神经网络 文章标签： 深度学习
本文介绍了非最大值抑制算法的基本原理及实现步骤。通过排序目标检测候选框并逐个评估，剔除重叠度过高的框，从而筛选出最优检测结果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

non-max suppression(非最大值抑制)
该算法的原理：
先假设有6个矩形框，根据分类器的类别分类概率大小排序，假设从小到大属于车辆(被检测的目标)的概率分别问：A、B、C、D、E、F
（1）从最大概率 矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个指定的阀值；
（2）假设B、D与F的重叠度大于指定的阀值，则丢弃B、D，并标记第一个矩形框 F，使我们要保留的
（3）从剩下的矩形框A、C、E中，选择最大概率，假设为E，然后判断A、C与E的重叠度是否大于指定的阀值，假如大于就丢弃A、C，并标记E，是我们保留下来的第二个矩形框
一直重复上述过程，找到所有被保留的矩形框。# 欢迎使用Markdown编辑器写博客

本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦：

  • Markdown和扩展Markdown简洁的语法
  • 代码块高亮
  • 图片链接和图片上传
  • LaTex数学公式
  • UML序列图和流程图
  • 离线写博客
  • 导入导出Markdown文件
  • 丰富的快捷键

快捷键

  • 加粗 Ctrl + B
  • 斜体 Ctrl + I
  • 引用 Ctrl + Q
  • 插入链接 Ctrl + L
  • 插入代码 Ctrl + K
  • 插入图片 Ctrl + G
  • 提升标题 Ctrl + H
  • 有序列表 Ctrl + O
  • 无序列表 Ctrl + U
  • 横线 Ctrl + R
  • 撤销 Ctrl + Z
  • 重做 Ctrl + Y

Markdown及扩展

Markdown 是一种轻量级标记语言，它允许人们使用易读易写的纯文本格式编写文档，然后转换成格式丰富的HTML页面。 —— [ 维基百科 ]

使用简单的符号标识不同的标题，将某些文字标记为粗体或者斜体，创建一个链接等，详细语法参考帮助？。

本编辑器支持 Markdown Extra , 　扩展了很多好用的功能。具体请参考Github.

表格

Markdown　Extra　表格语法：

项目价格
Computer$1600
Phone$12
Pipe$1

可以使用冒号来定义对齐方式：

项目价格数量
Computer1600 元5
Phone12 元12
Pipe1 元234

定义列表

Markdown　Extra　定义列表语法： 项目１ 项目２
定义 A
定义 B
项目３
定义 C

定义 D

定义D内容

代码块

代码块语法遵循标准markdown代码，例如：

@requires_authorization
def somefunc(param1='', param2=0):
    '''A docstring'''
    if param1 > param2: # interesting
        print 'Greater'
    return (param2 - param1 + 1) or None
class SomeClass:
    pass
>>> message = '''interpreter
... prompt'''

脚注

生成一个脚注1.

目录

用 [TOC]来生成目录：

数学公式

使用MathJax渲染LaTex 数学公式，详见math.stackexchange.com.

  • 行内公式，数学公式为：[Math Processing Error] Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N 。
  • 块级公式：

[Math Processing Error] x = − b ± b 2 − 4 a c 2 a

更多LaTex语法请参考 这儿.

UML 图:

可以渲染序列图：

Created with Raphaël 2.1.2 张三 张三 李四 李四 嘿，小四儿, 写博客了没? 李四愣了一下，说： 忙得吐血，哪有时间写。

或者流程图：

Created with Raphaël 2.1.2 开始 我的操作 确认？ 结束 yes no
  • 关于 序列图 语法，参考 这儿,
  • 关于 流程图 语法，参考 这儿.

离线写博客

即使用户在没有网络的情况下，也可以通过本编辑器离线写博客（直接在曾经使用过的浏览器中输入write.blog.youkuaiyun.com/mdeditor即可。Markdown编辑器使用浏览器离线存储将内容保存在本地。

用户写博客的过程中，内容实时保存在浏览器缓存中，在用户关闭浏览器或者其它异常情况下，内容不会丢失。用户再次打开浏览器时，会显示上次用户正在编辑的没有发表的内容。

博客发表后，本地缓存将被删除。　

用户可以选择 把正在写的博客保存到服务器草稿箱，即使换浏览器或者清除缓存，内容也不会丢失。

注意：虽然浏览器存储大部分时候都比较可靠，但为了您的数据安全，在联网后，请务必及时发表或者保存到服务器草稿箱。

浏览器兼容

  1. 目前，本编辑器对Chrome浏览器支持最为完整。建议大家使用较新版本的Chrome。
  2. IE９以下不支持
  3. IE９，１０，１１存在以下问题
    1. 不支持离线功能
    2. IE9不支持文件导入导出
    3. IE10不支持拖拽文件导入
  1. 这里是 脚注 的 内容. ↩
Non-max suppression
大贝贝壳的博客
09-25 398
#include<bits/stdc++.h> #define ll long long using namespace std; struct Object { ll u,d,l,r,s; int p,x; bool flag; }a[2005]; int n,ans[2005],top; bool cmp(Object a,Object b) { return a.p...
非极大值抑制 python_非极大值抑制（Non-Maximum Suppression，NMS）
weixin_39534395的博客
12-16 597
概述非极大值抑制(Non-Maximum Suppression，NMS)，顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。这里不讨论通用的NMS算法(参考论文《Efficient Non-Maximum Suppression》对1维和2维数据的NMS实现)，而是用于目标检测中提取分数最高的窗口的。例如在行人...
python 实现非极大值抑制算法（Non-maximum suppression, NMS）
12-16
NMS 算法在目标检测，目标定位领域有较广泛的应用。 算法原理 非极大值抑制算法（Non-maximum suppression, NMS）的本质是搜索局部极大值，抑制非极大值元素。 算法的作用 当算法对一个目标产生了多个候选框的时候，选择 score 最高的框，并抑制其他对于改目标的候选框 适用场景 一幅图中有多个目标（如果只有一个目标，那么直接取 score 最高的候选框即可）。 算法的输入 算法对一幅图产生的所有的候选框，以及每个框对应的 score （可以用一个 5 维数组 dets 表示，前 4 维表示四个角的坐标，第 5 维表示分数），阈值 thresh。 算法的输出 正确的候选
非极大值抑制（Non-max suppression）
csdn_xmj的博客
05-19 6628
来源：Coursera吴恩达深度学习课程 目前为止的目标检测中可能出现的问题是你的算法可能对同一个对象做出多次检测。非极大值抑制（non-max suppression）这个方法可以确保你的算法对每个对象只检测一次，我们讲一个例子。 假设你需要在这张图片里检测行人和汽车，你可能会在上面放个19×19网格，理论上这辆车只有一个中点，所以它应该只被分配到一个格子里，左边的车子也只有一个中点，所以理论上应该只有一个格子做出有车的预测。 但是当你实际在运行算法时，会出现上图的情况，可能好几个格子.
NOn Max Suppression（非最大值抑制）
qq_41593499的博客
09-12 645
非最大值抑制（Non-Maximum Suppression，简称NMS）是在计算机视觉和目标检测中常用的技术，用于后处理目标检测算法的结果，特别是在多个边界框（bounding box）被生成用于同一个物体的情况下。，当iou大于这个阈值的时候，我们就可以清理掉0.6的框，然后我们继续计算0.9的框和0.3的框的iou，这样一来，就可以清理掉这些边界框了。如图，我们有一个带有对象的图像，我们将获得该对象的一些边界框预测，我们希望有一种方法来清理这些边界框。
非极大值抑制（ Non-max suppression）
alex1801
06-25 2583
声明：本文引用吴恩达教授的DeepLearning课程内容。 滑动窗出来的目标检测会产生多个目标检测结果，非极大值抑制这个方法可以确保你的算法对每个对象只检测一次。下图为NMS过程： 看下面例子： 假设需要在这张图片里检测行人和汽车，可能会在上面放个 19×19 网格，理论上这辆车只有一个中点，所以它应该只被分配到一个格子里，左边的车子也只有一个中点，所以理论上应该只有一个格子做出有车的预测。 实践中当你运行对象分类和定位算法时，...
Intersection Over Union， Non-max Suppression，Anchor Boxes
K键盘里的青春K
07-23 416
1. Intersection Over Union IoU，即交集与并集之比，可以用来评价目标检测区域的准确性。 如上图所示，红色方框为真实目标区域，蓝色方框为检测目标区域。两块区域的交集为绿色部分，并集为紫色部分。蓝色方框与红色方框的接近程度可以用IoU比值来定义： IoU可以表示任意两块区域的接近程度。IoU值介于0～1之间，且越接近1表示两块区域越接近。 2. Non-ma...
目标检测的NMS（非极大值抑制，Non-Maximum Suppression）
weixin_42495721的博客
09-09 2779
非极大值抑制NMS概述一、NMS 原理二、使用步骤1.引入库2.读入数据总结 概述 非极大值抑制（Non-Maximum Suppression，NMS），顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。 用于目标检测中提取分数最高的窗口的。例如在行人检测中，滑动窗口经提取特征，经分类器分类识别后，每个窗口都会得到一个分数。但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉的情况。这时就需要用到NMS来选取那些
Non-Maximum Suppression，NMS非极大值抑制
吴建明wujianming_110117
04-20 244
Non-Maximum Suppression，NMS非极大值抑制 概述 非极大值抑制（Non-Maximum Suppression，NMS），顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。这里不讨论通用的NMS算法(参考论文《Efficient Non-Maximum Suppression》对1维和2维数据的NMS实现)，而是用于目标检测中提取分数最高的窗口的。例如在行人检测中，滑动窗口经提取特征，经分类器分类识
非极大抑制（Non-maximum suppression）python代码实现
Butertfly的博客
11-20 1185
定位一个物体，最后算法就找出了一堆的方框，我们需要判别哪些矩形框是没用的。非极大值抑制：先假设有6个矩形框，根据分类器类别分类概率做排序，从大到小分别属于物体的概率分别为A、B、C、D、E、F。 (1)从最大概率矩形框F开始，分别判断B~F与A的重叠度IOU是否大于某个设定的阈值; (2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框A，是我们保留下来的。 (3)从剩下...
NMS非极大值抑制（Non-max suppression）
shine的博客
09-02 633
非极大值抑制（Non-Maximum Suppression，NMS），可理解为搜索局部最大值，即抑制不是极大值的元素。 由于在现有的目标检测算法中，都会产生数量巨大的候选框矩形，这些矩形框有很多指向同一目标，因此存在大量冗余的候选矩形框。而NMS可以很好地消除多余的框，找到最佳的物体检测位置。 具体实现步骤为： 1.设定目标框的置信度阈值，常用阈值为0.5左右 2.根据置信度降序排列候选框列表 3.选取置信度最高的框A添加到输出列表，并将其从候选框...
非极大值抑制(Non-Maximum Suppression)
WHS-_-2022的博客
01-24 5913
非极大值抑制算法
一种非极大值抑制（non_max_suppression, nms）的代码实现方式
weixin_43508499的博客
07-20 1500
非极大值抑制的实现
目标检测中的NMS算法(Non-max suppression)
weixin_43646592的博客
02-14 5368
 非极大值抑制，即找到局部极大值，而非最大值，并抑制其领域内的其余值。 在目标检测中，对于一个物体可能会预测出多个候选框，那么这时就可以用极大值抑制对一些冗余的框进行滤除。  一般来说，每一个预测框的输出都会带有该框的位置信息以及置信度。  NMS算法流程： 首先，对所有的框，通过一个置信度阈值将置信度低的框滤除。 接着，选出置信度最高的框，将其保存进输出列表中。 依次计算该框与其他剩余的框的IOU值。然后通过一个IOU阈值将和这个置信度最高的框拥有较大IOU的框（即和这个框相近的框）去除。也就是去掉冗余
Non-max suppression非极大值抑制(NMS)
weixin_42510957的博客
11-10 739
一个物体可能会被几个候选框框中，如下图，蓝色、红色、黄色的框，它们都是正确的结果， NMS的作用就是帮助减少候选框的数量，得到置信度最高，框中的效果最好的候选框。 选出置信度最高的候选框，如果和当前最高分的候选框重叠面积loU大于一定阈值，就将其删除。 下图中红色框的置信度最高，其认为有90%的概率框中的是猫。保留红色的框，抑制掉它旁边Iou大于一定阈值的其他框。 当存在多预测目标时，先选取置信...
【深度学习】目标检测之非最大值抑制算法（Non-max suppression）
zkq_1986的博客
01-03 3093
最终的预测结果仅取IoU（交并比）最大的那个矩形。可以提高YOLO目标检测算法的性能。
【NMS】non max suppression非最大抑制及其实现
zbossz的学习小分队
03-20 504
黑色的是被检测的人，蓝色是检测框，蓝色数字是每个框的概率分数。 当我们检测一个物体的时候。 会有多个检测框，此时，我们需要用NMS 来删除多余的框。 我们首先选出得分最高的框–在这里就是得分0.8的框。 此时我们需要判断得分最高的框和另一个框的iou值， 假设我们设定iou的标准阈值是0.5， 如果2个框的iou算出来大于我们设定iou的标准阈值是0.5，那么我们就删掉另一个框，保留得分最高的框。 如果小于，就不删。 注意，这个操作必须是针对同一个物体的。如果是这样的情况： 下面我们来实现NMS： im
opencv 非最大值抑制
最新发布
04-03
### OpenCV 中实现非最大值抑制（NMS） 在计算机视觉领域，非最大值抑制（Non-Maximum Suppression, NMS）是一种用于消除冗余检测框的技术。通过比较边界框之间的交并比（Intersection over Union, IoU），可以筛选出最可能的目标区域。 OpenCV 提供了两种内置方法来执行 NMS：`cv2.dnn.NMSBoxes` 和 `cv2.dnn.NMSBoxesBatched`[^2]。以下是基于这些函数的一个具体示例： #### 示例代码 ```python import cv2 import numpy as np # 定义一组边界框及其对应的置信度分数 boxes = [[10, 20, 40, 60], [20, 30, 50, 70], [30, 40, 60, 80]] scores = [0.9, 0.8, 0.7] # 转换为 NumPy 数组以便于操作 boxes_np = np.array(boxes).astype('float') scores_np = np.array(scores) # 设置参数 score_threshold = 0.8 # 置信度阈值 nms_threshold = 0.5 # IOU 阈值 # 使用 cv2.dnn.NMSBoxes 进行非最大值抑制 indices = cv2.dnn.NMSBoxes( bboxes=boxes_np, scores=scores_np, score_threshold=score_threshold, nms_threshold=nms_threshold ) print("保留下来的边界框索引:", indices.flatten()) ``` 上述代码实现了以下功能： - 输入了一组边界框和它们的置信度分数。 - 设定了两个重要参数：`score_threshold` 表示仅考虑高于此阈值的候选框；`nms_threshold` 是用来判断两框是否重叠过多的标准。 - 函数返回的是经过过滤后剩余的有效边界框索引列表。 #### 关键点解释 1. **输入数据结构** - 边界框应以 `[x_min, y_min, x_max, y_max]` 的形式提供给 `bboxes` 参数。 - 对应的置信度分数则作为单独的一维数组传递到 `scores` 参数中。 2. **输出解析** - 返回的结果是一个二维数组，其中每一行代表一个批次中的有效索引集合。如果只有一个批次，则可以直接展平得到最终结果。 3. **性能优化建议** - 当处理大量目标时，可先利用其他条件预选部分候选项再送入 NMS 处理，从而减少计算量。 #### 参考说明 非极大值抑制的核心逻辑是从高分向低分依次选取当前最优解，并剔除与其高度重合的部分[^1]。而 OpenCV 将这一流程封装成易于调用的形式，极大地简化了开发者的负担。
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