NMS(非极大值抑制)

最新推荐文章于 2025-03-20 09:02:38 发布
最新推荐文章于 2025-03-20 09:02:38 发布
阅读量3.6k 收藏 15
点赞数 5
分类专栏： 零碎知识点 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/dexterod/article/details/105755787
版权
NMS（非极大值抑制）是目标检测的重要后处理步骤，用于去除冗余的检测框。文章介绍了标准NMS、局部感知NMS、倾斜NMS、多边形NMS和掩膜NMS，分别适用于不同场景和形状的目标检测，如水平文本、倾斜文本和不规则形状文本。在选择NMS类型时，需考虑文本方向和检测方法。

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

NMS（non maximum suppression）是目标检测框架中的后处理模块，主要用于删除高度冗余的 bboxes。

前面的网络能为每个检测框给出一个score (如 RPN 中给出前景/背景分数信息)，score越大证明框越接近期待值。如下图，之前的网络中判定两个目标分别有多个检测框。

在这里插入图片描述

现在要去掉多余的检测框，分别在局部选出分数最大框，然后去掉和这个框IOU＞0.7的框。非极大值抑制，就是只留下极大值的意思。只留下极大值之后，就是下面的样子了：

在这里插入图片描述
-----------------------------------------------------------------------------------------------------------------------------------------

因为矩形框的表征方式不同，就衍生了不同版本的NMS，主要包括：标准NMS、locality-aware NMS(简称LNMS)、inclined NMS(简称INMS)、Mask NMS(简称MNMS)、polygonal NMS(简称PNMS)，分别用在不同的领域。

1.1 标准NMS(SNMS)

一般用于水平的

最低0.47元/天 解锁文章
C/C++ NMS非极大值抑制算法详解及实现源码
希望我的博客，能帮上你解决学习中工作中所遇到的问题
04-30 7795
NMS（Non-maximum suppression）非极大值抑制算法是一种常用于图像处理和计算机视觉领域的算法，用于减少检测结果中的冗余信息，提取出最具代表性的目标。NMS算法的基本思想是，在一个局部窗口内，选择具有最大值的像素作为代表，抑制其他像素的值。
目标检测的Tricks | 【Trick9】nms非极大值抑制处理（包括变体merge-nms、and-nms、soft-nms、diou-nms等介绍）
Clichong
04-23 6814
如有错误，恳请指出。 用这篇博客记录一下nms，也就是非极大值抑制处理，算是目标检测后处理的一个难点。 在训练阶段是不需要nms处理的，只有在验证或者是测试阶段才需要将预测结果进行非极大值抑制处理，来挑选最佳的正样本。下面就详细查看一下非极大值抑制处理算法的一个大致流程。 文章目录1. NMS主要步骤2. NMS代码实现3. NMS的变体与实现3.1 hard_nms_batch3.2 hard_nms3.3 and-nms3.4 merge-nms3.5 soft-nms3.6 iou-nms3.7 .
非极大值抑制（Non-Maximum Suppression，NMS）
苦逼的程序猿
09-19 3169
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...
NMS
奔跑的云彩的博客
03-26 1589
对NMS的理解内容，如有不对请指出。 在引进NMS概念之前我们先介绍IOU(交并比)，因为在NMS中选出框图起到至关重要的作用 1、IOU(交并比) 对于bounding box的定位精度，有一个很重要的概念，那就是定位精度评价公式：IOU。 IOU表示了bounding box 与 ground truth 的重叠度，如下图所示： 矩形框A、B的一个重合度IOU计算公式为： IOU
目标检测中的非极大值抑制（NMS）原理与实现解析
最新发布
uncle_ll的博客
03-20 566
是一种关键的后处理技术，用于去除冗余的检测结果，保留置信度最高且位置最优的边界框。本文将通过一段Python代码解析NMS的核心实现逻辑，并演示其在OpenCV环境中的实际效果。在目标检测任务中，模型通常会对同一目标生成多个重叠的候选框（如锚框或预测框）。，键为类别名称，值为该类别对应的边界框列表。，表示左上角和右下角坐标及置信度。
nms
qq_29981283的博客
10-18 580
NMS 非极大值抑制 import tensorflow as tf import numpy as np rects=np.asarray([[1,2,3,4],[1,3,3,4], [1,3,4,4],[1,1,4,4],[1,1,3,4]],dtype=np.float32) scores=np.asarray([0.4,0.5,0.72,0.9,0.45], dtype=np.float...
NMS（非极大值抑制）
m0_56192771的博客
05-31 4166
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。例如在行人检测中，滑动窗口经特征提取，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来选取那些邻域里分数最高（是行人的概率最大），并且抑制那些分数低的窗口。 NMS在计算机视觉领域有着非常重要的应用，如视频目标跟踪、数据挖掘、3D重建、目标识别以及纹理分析等 。 在目标检测中，NMS的目的就是要去除冗余的检测框,保留
【yolo】NMS非极大值抑制+IoU的C++实现
Yumesann的博客
02-07 326
NMS & IoU的C++实现，自己随便练着写的，没测试，有问题请告知我修改！
C++实现NMS非极大值抑制（附完整源码）
希望我的博客，能帮上你解决学习中工作中所遇到的问题
05-24 174
C++实现NMS非极大值抑制（附完整源码）
非极大值抑制NMS算法
10-31
非极大值抑制（Non-Maximum Suppression, NMS）是一种在目标检测领域广泛应用的算法，主要用于消除重复的检测结果，提升检测精度。在深度学习模型如Fast R-CNN和R-CNN等中，NMS是至关重要的后处理步骤。 在目标检测...
深入浅出之非极大值抑制（NMS）
浩瀚之水的专栏
09-17 2579
非极大值抑制（Non-Maximum Suppression, NMS）首次在论文“Efficient non-maximum suppression”中被提出，主要是为了解决在目标检测任务中，同一目标被多个检测器多次检测到，导致出现多个相交或重叠的候选框的问题。这些冗余的候选框不仅增加了计算负担，还降低了目标检测的精度。Non-Maximum Suppression的翻译是非“”抑制，而不是非“最大值”抑制。。
什么是NMS（Non-maximum suppression 非极大值抑制）?
weixin_48331187的博客
10-19 259
NMS是许多目标检测算法（如RCNN、YOLO等）中常用的一种技术，它能够在提供多个候选框时，过滤掉冗余的重叠框，从而得到更精确和准确的目标检测结果。NMS的基本思想是根据检测框的置信度或得分，选择其中得分最高的一个作为优先保留的检测结果，并抑制与该检测结果高度重叠的其他检测结果。通过NMS，可以有效地删除重叠度高的冗余边界框，仅保留最具代表性的物体检测结果。2. 选取最高得分的框：从排好序的检测结果中选取得分最高的检测框，并将其加入最终的检测结果列表。5. 重复步骤2-4，直至所有的检测框都被处理完毕。
量子城域网建设设备系列（三）：网络管理系统（NMS）
量子领域相关话题
05-10 1344
本文对量子网络中的网络管理系统进行了初步的介绍。
NMS(非极大值抑制)实现
wonengguwozai的博客
08-15 3567
先看张图： NMS算法思路来源于：https://chenzomi12.github.io/2016/12/14/YOLO-nms/   算法流程： 把置信度最高的一个boundingbox(bbox)作为目标，然后对比剩下bbox与目标bbox之间的交叉区域 如果交叉区域大于设定的阈值，那么在剩下的bbox中去除该bbox（即使该bbox的置信度与目标bbox的置信度一样）—-这个操作...
【代码】NMS
FSALICEALEX的博客
05-16 393
# -------------------------------------------------------- # Fast R-CNN # Copyright (c) 2015 Microsoft # Licensed under The MIT License [see LICENSE for details] # Written by Ross Girshick # --------...
nms非极大值抑制有哪些
09-04
nms非极大值抑制有以下几种方法和改进： 1. 基本的NMS方法是利用得分高的边框来抑制得分低且重叠程度高的边框。这种方法简单有效，但在更高的目标检测需求下存在一些缺点。 2. Soft NMS是一种改进的方法，它通过对重叠框的得分进行一定的衰减，而不是直接抑制掉得分低的边框。这样可以保留一些得分低但可能是真正目标的边框。 3. Softer NMS是Soft NMS的进一步改进，它在计算重叠框的得分衰减时引入了一个可学习的参数。这个参数可以根据具体的数据进行优化，从而更加灵活地调整得分衰减的方式。 4. Adaptive NMS是根据物体密集程度自适应调整NMS阈值的方法。它通过使用卷积神经网络(CNN)来判断人群的密集程度，并根据密集程度决定NMS阈值的大小。 5. IoUNet是一种基于IoU(Intersection over Union)的方法，它通过训练一个神经网络来预测边框之间的IoU值。然后，根据IoU值来判断是否进行非极大值抑制。 综上所述，nms非极大值抑制有基本的NMS方法、Soft NMS、Softer NMS、Adaptive NMS和IoUNet等不同的方法和改进。每种方法都有其特点和适用场景，可以根据具体需求选择合适的方法。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [【目标检测系列】非极大值抑制(NMS)的各类变体汇总](https://blog.youkuaiyun.com/weixin_47196664/article/details/106754955)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
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