【论文阅读】Fitness NMS

改进对象检测：FitnessNMS与BoundedIoULoss
最新推荐文章于 2025-06-16 17:25:33 发布
原创 最新推荐文章于 2025-06-16 17:25:33 发布 · 672 阅读 · 2 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #计算机视觉 #算法

本文探讨了如何通过FitnessNMS和BoundedIoULoss优化对象检测，指出训练和测试阶段IoU阈值一致的重要性。作者提出新的score函数和匹配策略，增强了对高IoU框的重视。实验表明，这种方法能提高召回率，并且与SoftNMS兼容。此外，改进的BoundingBoxRegression也提升了ROI准确性和召回率。论文的贡献在于增强分类器对负样本的敏感度以及优化高IoU重叠框的处理。

论文题目：《Improving Object Localization with Fitness NMS and Bounded IoU Loss》
发现这篇文章网络上资源较少，来写一下自己看完这篇文章的一些想法，可能不成熟，欢迎指正。谢谢！
本文对于NMS进行了改进，提出了一个叫Fitness NMS的模块，在DeNet基础上进行的改进。
文章介绍了一下nms，这里 也简单写一下：
在这里插入图片描述
这里score（.）函数用来评价选择bbox的置信度，而same（.）用来检测两个框的iou值。因此算法的核心思想就是：对于Bounding Box的列表B及其对应的置信度S,采用下面的计算方式.选择具有最大score的检测框M,将其从B集合中移除并加入到最终的检测结果D中.通常将B中剩余检测框中与M的IoU大于阈值Nt的框从B中移除.重复这个过程,直到B为空.

本文就是对于上述的score及same函数进行了修改来得到一个新的nms。
在这里插入图片描述

作者先做实验对比了train和test采用不同iou阈值时的map表现结果：
在这里插入图片描述

结果可以看到只有当训练和测试选择iou阈值一致时输出的结果才比较好，而且0.5表现出来的map最高，这便引出了本文想要解决的问题：并不是要选择所有超过该阈值的所有bbox，而是要选择最高的一个。

  1. Detection Clustering

最低0.47元/天 解锁文章
YOLOv5/7 更换 DIoU-NMS / CIoU-NMS / EIoU-NMS/ GIoU-NMS / SIoU-NMS/ Soft-NMS
YOLOv8项目贡献者
06-14 4788
YOLOv5/7 更换 DIoU-NMS
IoU-aware single-stage object detector for accurate localization论文阅读笔记
风行
12-14 907
（一）Title （二）Summary 作者指出目前single-stage检测器存在的问题：classification score和localization accuracy之间的低相关性使得模型性能无法得到提升，为了解决这个问题，提出了IoU-aware single-stage object detector, 核心做法是： 对每一个预测的bounding box，同时预测一个IoU，然后用这个IoU乘上classification score作为最终的检测置信度，使用这个检测执行度来进行后续的
NMS通用算法_论文《Efficient Non-Maximum Suppression》（中文）
04-09
NMS（non maximum suppression），中文名非极大值抑制，在很多计算机视觉任务中都有广泛应用，如：边缘检测、目标检测等。
NMS-Free论文---Relation Networks for Object Detection解读
twn29004的博客
01-07 981
代码链接 paper链接 个人博客 问题 本文首先提出了一个目前在目标检测领域的一个共识就是: 丰富的上下文信息和目标之间的关系能够更好的帮助网络去检测目标。但是现有的网络都没有很好的利用这个信息，或者说现有的卷积神经网络都不能很好的处理这些问题。原因是一个场景中往往有很多类别的目标，且类别的数目是不一定的，而且目标的数目也是不一定的。因此，按照之前的CNN网络很难对这些目标之间的关系进行建模。作者受到在NLP领域中非常成功的Transformer的影响，提出了一种自适应的注意力网络用于目标检测领域。作者.
Softer-NMS 论文笔记
热门推荐
阿木寺的博客
09-25 1万+
文章目录背景创新点Bounding Box Regression with KL LossSofter-NMS实验结果参考 《Softer-NMS: Rethinking Bounding Box Regression for Accurate Object Detection》 intro：CMU & Face++ arXiv：https://arxiv.org/abs/1809.08...
NMS：Efficient Non-Maximum Suppression论文解读（NMS详解）
魔筝炼药师
08-08 6627
NMS，非极大值抑制算法，用于目标检测的后处理，去除重叠度较高的冗余检测结果。 参考： https://www.bbsmax.com/A/A2dmV1YOze/ http://blog.sina.com.cn/s/blog_6fdc463b0102vcu5.html https://blog.youkuaiyun.com/shaoxiaohu1/article/details/16817971 ...
(论文阅读)NMS by Representative Region: Towards Crowded Pedestrian Detection by Proposal Pairing
lzAllen的博客
07-06 3161
2020CVPR的密集行人检测论文 NMS by Representative Region: Towards Crowded Pedestrian Detection by Proposal Pairing 摘要: 尽管最近在行人检测方面已经取得了重大进展，但是在拥挤场景中的行人检测仍然具有挑战性。行人之间的严重遮挡给标准非最大抑制（NMS）带来了巨大挑战。交并比（IoU）的阈值相对较低会导致丢失高度重叠的行人，而较高的阈值则会带来大量误报。为避免这种困境，本文提出...
广义焦点丢失：学习用于密集目标检测的合格和分布式边界盒之GFL论文阅读
最新发布
qq_41627642的博客
06-16 1013
一阶段检测器通常将目标检测形式化为密集的分类与定位（即边界框回归）问题。分类部分通常使用 Focal Loss 进行优化，而边界框位置则在狄拉克δ分布下进行学习。最近，一阶段检测器的发展趋势是引入独立的预测分支来估计定位质量，所预测的质量可以辅助分类，从而提升检测性能。。我们发现现有方法存在两个问题：训练与推理阶段中，质量估计与分类的使用不一致（即，训练时分开优化，测试时却组合使用FCOS模型这样做）；定位时采用的狄拉克δ分布不够灵活，无法处理真实场景中常见的模糊性与不确定性。
目标检测论文阅读：GFL算法笔记
qq_43631268的博客
01-17 3557
单阶段检测器基本上是把目标检测分为稠密分类和定位（即边界框回归）两个过程。分类通常用Focal Loss优化，边界框定位一般在Dirac delta分布下学习。单阶段检测器最近的一个趋势是引入一个单独的预测分支来评估定位的质量，预测的质量通过促进分类来提升检测性能。本文深入研究了上述三个基本要素的表示：质量估计、分类和定位。在现有的实践中发现了两个问题：①训练和推理阶段中质量估计和分类的使用不一致；②定位时的Dirac delta分布不够灵活。为了解决这些问题，我们为这些元素设计了新的表示。
Soft NMS论文笔记
陈建驱的博客
08-19 1531
论文：Improving Object Detection With One Line of Code. Navaneeth Bodla*, Bharat Singh*, Rama Chellappa, Larry S. Davis 摘要 NMS是目标检测管道中不可分割的一部分。首先，它根据置信度对所有检测的边界框进行排序。选中最大置信度的框M，抑制（剔除）其它与M有很大（预定义阈值）重叠的框。这个过程递归地应用到其余的框上。如果一个目标处于预定义的重叠阈值内（即重叠大于该阈值），就会导致漏检。换句
NMS算法介绍
01-03
NMS算法的介绍，用于IOU比较。MTCNN中使用了这个算法。
非极大值抑制(NMS)仿真代码:来自论文Efficient Non-Maximum Suppression
地狱，乃是天堂必经之路！
04-13 3739
非极大值抑制(Efficient Non-Maximum Suppression) 这里说的非极大值抑制与平时说的非极大值抑制有点不太一样， 平时说的NMS指的是在检测算法中的应用，将多个矩形框进行筛选，筛选出所需要的矩形框。而本文所说的NMS主要是来自一篇论文Neubeck A, Gool L V. Efficient Non-Maximum Suppression[C]// Internat...
深入浅出之非极大值抑制（NMS）
浩瀚之水的专栏
09-17 3454
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。。
一文打尽各种nms非极大值抑制
Peterwatwec的博客
05-31 2291
NMS（非极大抑制） 1.传统NMS（非极大抑制） ​ NMS即non maximum suppression即非极大抑制，顾名思义就是抑制不是极大值的元素，搜索局部的极大值。在最近几年常见的物体检测算法（包括rcnn、sppnet、fast-rcnn、faster-rcnn等）中，最终都会从一张图片中找出很多个可能是物体的矩形框，然后为每个矩形框为做类别分类概率。 ​ 以目标检测为例：目标检测的过程中在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，此时我们需要利用非极大值抑制找到最佳
《Soft-NMS – Improving Object Detection With One Line of Code》论文翻译
qq_38109282的博客
07-06 1169
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
NMS系列(NMS,Soft-NMS,Weighted-NMS,IOU-Guided NMS,Softer-NMS,Adaptive NMS,DIOU NMS,Cluster NMS)
zyw2002的博客
03-10 3928
根据是否需要训练分类不需要训练的NMS方法（NMS、Soft-NMS、Weighted-NMS、Cluster-NMS）需要训练的NMS（ConvNMS、PureNMS、 IOU-GuidedNMS、AdaptiveNMS）根据改进策略进行分类带权重的NMS(Soft NMS, Softer NMS，Weighted NMS)考虑定位的NMS(IOU-Guided NMS)阈值自适应的NMS(Adaptive NMS)并行的NMS(Fast NMS, Cluster NMS)
目标检测算法回顾之NMS变体篇章
xiaobaizaza_Ry的博客
05-23 3745
目标检测中NMS的发展一级目录二级目录三级目录 一级目录 二级目录 三级目录
【深度学习】非极大值抑制 (Non-Maximum Supression，NMS)
JNing
01-05 3625
【深度学习】非极大值抑制 (Non-Maximum Supression)
非极大值抑制（NMS）
知识搬运工的博客
03-15 7813
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...
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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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