目标检测中的NMS,soft NMS,softer NMS,Weighted Boxes Fusion

多检测模型边界框集成方法:Weighted boxes fusion: Ensembling boxes from different object detection models 目标检测中,若没有实时的要求,那么如何尽可能的提高最终预测的精度呢。改论文提出了一个新颖的组合目标检测模型的预测的方法。带权重的边界框融合(Weighted boxes fusion),利用所有可能边界框的置信度得分来构建一个平均边界框。 阅读详情

NMS

非最大值抑制算法,诞生至少50年了。

在经典的两阶段目标检测算法中,为了提高对于目标的召回率,在anchor阶段会生成密密麻麻的anchor框。

所以在后处理的时候,会存在着很多冗余框对应着同一个目标。

因此NMS就是后处理中去除冗余框的必不可少的步骤。

在这里插入图片描述

NMS算法的具体流程:
输入 boxes,scores, iou_threshold

  • step-1:将所有检出的output_bbox按cls score划分(如pascal voc分20个类,也即将output_bbox按照其对应的cls score划分为21个集合,1个bg类,背景类直接剔除);

  • step-2:在每个类集合内根据各个bbox的cls score做降序排列,得到一个降序的list_k;

  • step-3:对所有的list_k进行遍历,如有20个类,就得对这20个list都进行遍历。从list_k中top1 cls score开始,计算该bbox_x与list中其他bbox_y的IoU,若IoU大于阈值T,则剔除该bbox_y,最终保留bbox_x,从list_k中取出,保存在output_k中最后作为结果输出;

  • step-4:继续选择list_k中top1 cls score,重复step-3中的迭代操作,直至list_k中所有bbox都完成筛选;

  • step-5:对每个集合的list_k,重复step-3、4中的迭代操作,直至所有list_k都完成筛选;

在这里插入图片描述

import torch
from torch import Tensor
from typing import Tuple
from ._box_convert import _box_cxcywh_to_xyxy, _box_xyxy_to_cxcywh, _box_xywh_to_xyxy, _box_xyxy_to_xywh
import torchvision
from torchvision.extension import _assert_has_ops


[docs]def nms(boxes: Tensor, scores: Tensor, iou_threshold: float) -> Tensor:
    """
    Performs non-maximum suppression (NMS) on the boxes according
    to their intersection-over-union (IoU).

    NMS iteratively removes lower scoring boxes which have an
    IoU greater than iou_threshold with another (higher scoring)
    box.

    If multiple boxes have the exact same score and satisfy the IoU
    criterion with respect to a reference box, the selected box is
    not guaranteed to be the same between CPU and GPU. This is similar
    to the behavior of argsort in PyTorch when repeated values are present.

    Args:
        boxes (Tensor[N, 4])): boxes to perform NMS on. They
            are expected to be in ``(x1, y1, x2, y2)`` format with ``0 <= x1 < x2`` and
            ``0 <= y1 < y2``.
        scores (Tensor[N]): scores for each one of the boxes
        iou_threshold (float): discards all overlapping boxes with IoU > iou_threshold

    Returns:
        keep (Tensor): int64 tensor with the indices
            of the elements that have been kept
            by NMS, sorted in decreasing order of scores
    """
    _assert_has_ops()
    return torch.ops.torchvision.nms(boxes, scores, iou_threshold)


NMS存在的一些问题
  • 物体重叠:如下面第一张图,会有一个最高分数的框,如果使用nms的话就会把其他置信度稍低,但是表示另一个物体的预测框删掉(由于和最高置信度的框overlap过大)

  • 存在一些,所有的bbox都预测不准,不是所有的框都那么精准,有时甚至会出现某个物体周围的所有框都标出来了,但是都不准的情况

  • 传统的NMS方法是基于分类分数的,只有最高分数的预测框能留下来,但是大多数情况下IoU和分类分数不是强相关,很多分类标签置信度高的框都位置都不是很准

  • 在这里插入图片描述

Soft NMS

在这里插入图片描述

Improving Object Detection With One Line of Code
论文发表于 ICCV 2017
http://arxiv.org/abs/1704.04503

在这里插入图片描述

传统NMS的不足之处:
  • 为了尽可能较小的增加假阳性率,临近检测的分数应该被抑制,同时要保证其得分在所有检测结果中明显高于假阳性样本;
  • 在使用较低的NMS阈值来去除临近检测冗余的时候效果是sub-optimal,当使用高阈值的时候又会产生漏检率;
  • 当使用比较高的NMS阈值的时候,在测量有重叠阈值范围内的mAP效果会下降;

引入soft NMS的核心就是不会直接通过一个NMS阈值去去除冗余检测,而是对于高度冗余的检测结果通过惩罚函数进行抑制,使得其得分下降;

IOU冗余的越厉害,其得分下降的越厉害;

论文中描述了两种惩罚函数,一种线性函数,一种高斯函数

线性函数,最简单的 就是 f = 1- iou()
在这里插入图片描述
高斯函数

在这里插入图片描述
惩罚函数的自变量是冗余样本与最大得分样本之间的IOU。

Soft-NMS也是一种贪婪算法,没有找到检测盒的全局最优重新评分。 检测盒的重新评分是以贪婪的方式进行的,因此那些具有较高局部评分的检测不会被抑制。

在soft NMS流程的最后也是有一个阈值,对于列表中所有检测结果的置信度低于阈值的检测结果 进行淘汰;

它仅需要对传统的NMS算法进行简单的改动且不增额外的参数。该Soft-NMS算法在标准数据集PASCAL
VOC2007(较R-FCN和Faster-RCNN提升1.7%)和MS-COCO(较R-FCN提升1.3%,较Faster-RCNN提升1.1%)上均有提升。 Soft-NMS具有与传统NMS相同的算法复杂度,使用高效。
Soft-NMS不需要额外的训练,并易于实现,它可以轻松的被集成到任何物体检测流程中。

在这里插入图片描述

优点:

1、Soft-NMS可以很方便地引入到object detection算法中,不需要重新训练原有的模型、代码容易实现,不增加计算量(计算量相比整个object detection算法可忽略)。并且很容易集成到目前所有使用NMS的目标检测算法。

2、soft-NMS在训练中采用传统的NMS方法,仅在推断代码中实现soft-NMS。 作者应该做过对比试验,在训练过程中采用soft-NMS没有显著提高。

3、NMS是Soft-NMS特殊形式,当得分重置函数采用二值化函数时,Soft-NMS和NMS是相同的。soft-NMS算法是一种更加通用的非最大抑制算法。

在这里插入图片描述

缺点:

soft-NMS也是一种贪心算法,并不能保证找到全局最优的检测框分数重置。除了以上这两种分数重置函数,我们也可以考虑开发其他包含更多参数的分数重置函数,比如Gompertz函数等。但是它们在完成分数重置的过程中增加了额外的参数。

soft NMS的pytorch代码实现

在Pytorch版本的Faster RCNN当中,roi_head.py文件中执行了nms处理,

所以我要做的是基于pytorch官方实现的nms函数的参数构建复现soft_nms函数。
在这里插入图片描述

#= 计算面积
def area_of(left_top, right_bottom):

    """Compute the areas of rectangles given two corners.
    Args:
        left_top (N, 2): left top corner.
        right_bottom (N, 2): right bottom corner.
    Returns:
        area (N): return the area.
        return types: torch.Tensor
    """
    hw = torch.clamp(right_bottom - left_top, min=0.0)
    return hw[..., 0] * hw[..., 1]
# 计算IOU
def iou_of(boxes0, boxes1, eps=1e-5):
    """Return intersection-over-union (Jaccard index) of boxes.
    Args:
        boxes0 (N, 4): ground truth boxes.
        boxes1 (N or 1, 4): predicted boxes.
        eps: a small number to avoid 0 as denominator.
    Returns:
        iou (N): IoU values.
    """
    overlap_left_top = torch.max(boxes0[..., :2], boxes1[..., :2])
    overlap_right_bottom = torch.min(boxes0[..., 2:], boxes1[..., 2:])

    overlap_area = area_of(overlap_left_top, overlap_right_bottom)
    area0 = area_of(boxes0[..., :2], boxes0[..., 2:])
    area1 = area_of(boxes1[..., :2], boxes1[..., 2:])
    return overlap_area / (area0 + area1 - overlap_area)
# 自定义复现 soft_nms函数
def soft_nms(boxes, scores, score_threshold=0.001, sigma=0.5, top_k=-1):
    """Soft NMS implementation.
    References:
        https://arxiv.org/abs/1704.04503
        https://github.com/facebookresearch/Detectron/blob/master/detectron/utils/cython_nms.pyx
    Args:
        pytorch 官方实现的nms当中传入的是
                boxes:Tensor[N,4] 
                scores:Tensor[N], N表示的是每张图片所有检测框的数量
        box_scores (N, 5): boxes in corner-form and probabilities.
        score_threshold: boxes with scores less than value are not considered.
        sigma: the parameter in score re-computation.
            scores[i] = scores[i] * exp(-(iou_i)^2 / simga)
        top_k: keep top_k results. If k <= 0, keep all the results.
    Returns:
        keep : Tensor    1维的tensor  保存的是boxes中保留下来的框的序号  比如 [2,1,0]
        int64 tensor with the indices
        of the elements that have been kept
        by NMS, sorted in decreasing order of scores
        #picked_box_scores (K, 5): results of NMS.sc
    """
    scores = scores.unsqueeze(1)
    box_scores = torch.cat((boxes,scores), dim=1)  # 将boxes和scores合并为[N,5]的tensor
    picked_box_scores = []
    while box_scores.size(0) > 0:
        max_score_index = torch.argmax(box_scores[:, 4])  # 取出得分最高的框的索引
        #print(box_scores[:, 4])
        cur_box_prob = box_scores[max_score_index, :].clone() # 拷贝得到cur_box_prob:得分最高框的x1,y1,x2,y2和score
        #print(cur_box_prob)
        picked_box_scores.append(cur_box_prob)  # 将其填入到框中
        if len(picked_box_scores) == top_k > 0 or box_scores.size(0) == 1:  # 所有框都遍历则退出
            break
        cur_box = cur_box_prob[:-1]   # 取出当前得分最高的框的四维坐标 x1,y1,x2,y2
        #print(cur_box)
        box_scores[max_score_index, :] = box_scores[-1, :]
        #print("box_scores[-1, :]")
        #print(box_scores[-1,:])
        box_scores = box_scores[:-1, :]
        ious = iou_of(cur_box.unsqueeze(0), box_scores[:, :-1])
        box_scores[:, -1] = box_scores[:, -1] * torch.exp(-(ious * ious) / sigma)   # 用的是soft NMS论文中的高斯函数
        box_scores = box_scores[box_scores[:, -1] > score_threshold, :]
    if len(picked_box_scores) > 0:
        end_socre = torch.stack(picked_box_scores)[:,-1] # 先转为tensor,然后取出最后的得分一列
        keep = end_socre.sort(descending = True).indices  # 根据降序排序 并取得排序前的indices
        return keep  # 返回所有检测框的得分排名,不进行淘汰
        #return torch.stack(picked_box_scores)
    else:
        return torch.tensor([])

softer NMS

论文:Bounding Box Regression with Uncertainty for Accurate Object Detection
地址:https://arxiv.org/abs/1809.08545
Comments: CVPR 2019

在这里插入图片描述

WBF

论文:Weighted Boxes Fusion: ensembling boxes for object detection models
论文 :Weighted boxes fusion: Ensembling boxes from different object detection models
地址:https://arxiv.org/abs/1910.13302
Comments: CVPR 2019、CVPR2021

在这里插入图片描述

NMS和Soft-NMS都排除了一些框,而WBF则使用了所有框。因此,它可以修复所有模型都预测不准确的情况。本案例如下图所示。NMS/Soft-NMS将只留下一个不准确的框,而WBF将使用所有预测的框来融合它。

代码已开源:https://github.com/ZFTurbo/Weighted-Boxes-Fusion

在这里插入代码片
第十一章 解读Soft-NMS、Weighted NMS、IoU-Net、Softer-NMS、Adaptive NMS、DIoU-NMS(工具) 众所周知,非极大值抑制NMS是目标检测常用的后处理算法,用于剔除冗余检测框,本文将对可以提升精度的各种NMS方法及其变体进行阶段性总结。总体概要:对NMS进行分类,大致可分为以下六种,这里是依据它们在各自论文中的核心论点进行分类,这些算法可以同时属于多种类别。传统NMS有多个名称,据不完全统计可以被称为:Traditional / Original / Standard / Greedy NMS,为统一起见,下称Traditional NMS。Traditional NMS算法是最为经典的版本,伪代码如下: 阅读详情

相关推荐

目标检测中的加权框融合与非极大值抑制的对比

在目标检测算法中,加权框融合和非极大值抑制(NMS)是两种常用的技术,用于处理检测结果中的重叠框并提高检测的准确性。本文将对这两种方法进行详细讨论,并提供相应的源代码。加权框融合的优点在于可以利用置信度信息对重叠框进行加权平均,从而更加准确地估计目标的位置和形状。然而,加权框融合的计算复杂度较高,因为需要计算每对重叠框之间的重叠面积和相应的权重。如果需要快速的实时检测结果,并且对一些较低置信度的框不敏感,则可以选择非极大值抑制。请注意,代码中的计算重叠面积和权重的函数需要根据具体的需求进行实现和调整。

XlltEditor的博客 308

nms

1.https://zhuanlan.zhihu.com/p/40976906 2.https://blog.youkuaiyun.com/Blateyang/article/details/79113030

weixin_42102248的博客 3139

动态刷新曲线_【GhPython应用】利用反射刷新Image sampler组件

【版权声明】| 作者:月之眼|案例图片来源:Sergiu Radu Pop的facebook| 如有侵权,请联系大水牛平台|如果觉得文章不错,欢迎分享效果展示利用python刷新Image sampler组件,主要的思路就是X输入端:输入要切换的图片路径,我的案例中输入了9张图片。然后通过100毫秒切换一张图片显示,来达到动态显示效果。代码分析run输入端类型:bool (I...

weixin_42393829的博客 532

python实现logistic增长模型、多项式模型

1 J型增长和S型增长 指数增长,J型曲线:指数增长,即增长不受抑制,呈爆炸式的。 比如一个人可以传染三个人,三个人传染九个人,九个人传染27个人,不停的倍增。这就是J型增长,也叫指数型的增长。 一些传染病初期可能呈现指数增长。 但是实际的增长过程中,增长速率并不能一直维持不变,随着人数的不断增多,增长率会逐渐受到抑制。这就是S型增长。 一般疾病的传播是S型增长的过程,因为疾病传播的过程中会受到一定的阻力。 2 logistic增长函数 当一个物种迁入到一个新生态系统中后,其数量会发生变化。假设该物种的起始

素质云笔记 1万+

RSA 2048/4096 签名校验算法

RSA算法是一种非对称密码算法,所谓非对称,就是指该算法需要一对密钥,使用其中一个加密,则需要用另一个才能解密。 RSA是目前最有影响力和最常用的公钥加密算法,它能够抵抗到目前为止已知的绝大多数密码攻击,已被ISO推荐为公钥数据加密标准。 今天只有短的RSA钥匙才可能被强力方式解破。到2008年为止,世界上还没有任何可靠的攻击RSA算法的方式。只要其钥匙的长度足够长,用RSA加密的信息实际上是不能...

qq_38769551的博客 9508

无人机蜂群作战设计技术详解

构建防御网络,拦截敌方无人机或导弹;无人机蜂群作战设计技术是一种创新的军事应用概念,它基于生物仿生学原理,通过先进的通信技术、自主导航与决策算法,将大量小型、低成本、功能各异的无人机组织成一个高度协同的群体,以执行复杂多样的军事任务。无人机蜂群作战的概念源于自然界中蜜蜂、蚂蚁等生物群体的行为模式,这些生物群体通过简单的个体间的信息交互和分工协作,能够完成远远超出单一个体能力的复杂任务。其中,无人机群体是执行任务的主体,指挥控制系统负责任务分配和决策,通信数据链则保障无人机群体与指挥控制系统之间的信息交换。

专注多旋翼、复合翼无人机技术研究,从事低空经济行业。 2218

高斯函数详解

这其实很好理解,如果sigma也就是标准差越大,则表示该密度分布一定比较分散,由于面积为1,于是尖峰部分减小,宽度越宽(分布越分散);随着sigma的增大,方差增大,整个高斯函数的尖峰逐渐减小,整体也变的更加平缓,则对图像的平滑效果越来越明显,即图像会变得更模糊。高斯函数的积分是误差函数error function,尽管如此,其在整个实线上的反常积分能够被精确的计算出来,使用如下的高斯积分。a是曲线尖峰的高度,b是尖峰中心的坐标,c称为标准方差,表征的是bell钟状的宽度。图像可以具有任意数量的通道。

1万+

YOLOv8中的可变形卷积改进 | 从DCNv1到DCNv3的多位置替换可变形卷积保姆级实操

可变形卷积(Deformable Convolution)最早由Dai等人在2017年提出,其核心思想是在标准卷积操作的基础上,引入可学习的偏移量(offsets),使卷积核能够自适应调整其采样位置,从而增强模型对目标变形的感知能力。return x本文通过深入探讨可变形卷积在YOLOv8中的应用,详细介绍了DCNv1、DCNv2和DCNv3的原理和实现,并通过实验验证了其在目标检测任务中的有效性。未来,我们将继续探索更多优化策略和技术,提升YOLOv8模型的性能,以应对更复杂的目标检测任务。

一键难忘的博客 4053

(六)深度学习面试总结

1、nms和soft-nms实现过程 (1) nms实现过程 初始时,非极大值抑制过程开始于一个检测框列表B、对应的置信度标S、空的检测列表D、阈值N_t。首先,找到最高置信度对应的检测框M,将其从B中删除,并添加到最终框列表D中。然后,计算M与B中其他检测框的重叠程度IOU,将IOU大于阈值N_t的目标检测从B中删除。对于B中剩余的检测框,继续重复这个过程,直到B为空时结束。 (2) soft nms解决哪些问题 nms的一个主要问题是,将与NMS重叠度大于阈值的其他检测框直接从B中删除。造成如果

qq_23123181的博客 1190

【STK】手把手教你利用STK进行光电红外仿真03-STK/EOIR模块属性之三 合成场景生成设置

这一节主要介绍如何生成合成场景。

weixin_44184852的博客 1546

C/C++炫酷烟花①(完整代码)

C/C++实现炫酷烟花动画的完整代码。

AIGC 2万+

【目标检测】32、让你一文看懂且看全 NMS 及其变体

NMS 及其变体在边缘检测、关键点检测和目标检测等视觉任务上都有广泛的使用。主要用于剔除和极大值重叠率过大的检测结果。 2.4 不足 1、稠密场景会出现漏检:因为稠密场景的目标本身重合就比较大,会把置信度较小但为真实目标的框筛掉 2、实际效果容易被阈值影响:NMS 的阈值是人为设定的,阈值过大会出现误删,阈值过小会出现误检,对 mAP 有很大影响。 3、分类得分和 IoU 的割裂使用,盲目认为得分最大的框的定位也是最准确的,忽略了得分低的框的定位也可能是准确的论文:Soft-NMS:Impr

呆呆的猫的博客 3298

我的AI个人公司成立:基于Skills与Qwen大模型的智能问答平台实战开发+龙虾团队

微学AI推出数字员工矩阵,包含10个核心AI角色(总经理、秘书、工程师等),每个角色具备专属技能模块。系统采用FastAPI+Vue3技术栈,核心功能包括:基于SkillLoader的动态技能管理(支持脚本执行和文档加载)、WebSocket流式输出、多轮对话上下文管理。通过模块化架构实现AI自驱协作,可自主完成从需求分析到开发落地的全流程。项目亮点在于声明式技能配置和实时交互能力,打破传统办公壁垒,提升工作效率。

微学AI的博客 1633

高斯函数(Gaussian function)的详细分析

​论文中遇到很重要的一个元素就是高斯核函数,但是必须要分析出高斯函数的各种潜在属性,本文首先参考相关材料给出高斯核函数的基础,然后使用matlab自动保存不同参数下的高斯核函数的变化gif动图,同时分享出源代码,这样也便于后续的论文写作。...

qq_33187050的博客 1万+

基于Termux的Android平台OpenClaw部署:移动端AI助理实现

本文介绍了在Android设备上通过Termux部署OpenClaw AI助理的方案。Android设备的便携性、Termux提供的完整Linux环境以及多样化的硬件配置使其成为理想的部署平台。文章详细分析了不同级别Android设备的硬件规格(从入门级到旗舰级),并提供了最低/推荐配置要求。部署步骤包括Termux安装初始化、Python环境配置以及性能优化建议。该方案充分利用Android设备的传感器和电池供电优势,为移动办公、学习等场景提供了低成本、高便携性的AI助理解决方案。

博客 3016

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

目标检测之—非极大抑制(NMS)综述

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。它在目标检测中起着非常关键的作用。 目标检测一般分为两个过程:训练过程+检测(推理)过程。 在训练过程中,目标检测算法会根据给定的ground truth调整深度学习网络参数来拟合数据集的目标特征,训练完成后,神经网络的参数固定,因而能够直接对新的图像进行目标预测。 然而,在实际的目标预测中,一般的目标检测算法(R-CNN,YOLO等等)都会产生非...

qq_25344301的博客 2万+

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

svm 高斯核为什么惩罚项越大_透彻理解SVM背后的数学思想

在支持向量机(support vector machine,SVM)算法中,有诸多数学思想。学习SVM是一个非常好的实践数学思想的过程,为我们以后创新解决问题思路提供了启发。在卷积神经网络兴起之前,在机器学习界一直是非常受追捧的算法,不光是因为其有良好的泛化能力、很高的准确度,更是因为其完备的数学理论依据以及诸多较难理解的数学知识。这两点让人们觉得SVM是一个很精妙很酷的算法!所以在实际应用也非常...

weixin_39722375的博客 709

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

【YOLO系列】 YOLOv4之(Hard)NMS、Soft NMS、DIOU NMS(附代码)

NMS (Non-Maximum Suppression,非极大值抑制),是一种在计算机视觉领域常用的技术,。在目标检测任务中,算法通常会生成多个候选框来表示可能包含目标的区域。由于图像中的目标可能以不同的尺度和位置出现,这些候选框往往会有一定的重叠。在经典的NMS中,得分最高的检测框和其它检测框逐一计算出一个对应的IoU值,并将该值超过NMS threshold的框全部过滤掉。可以看出,在经典NMS算法中,IoU是唯一考量的因素。

江湖小Jay的博客 2870

【目标检测】21、KL-Loss:Bounding Box Regression with Uncertainty for Accurate Object Detection

大型目标检测数据集(如 COCO)的标注框都是比较清晰准确的,但也会存在一些模棱两可的情况,加大标注的难度。 如图 1a 和 1c 所示,当目标被部分遮挡且边界很不清晰的时候,标注框就很难判定。.........

呆呆的猫的博客 1372

WBF(Weighted boxes fusion)-模型融合与NMS、soft-NMS

WBF在融合多个模型的结果上效果好于NMS、soft-NMS,但如果只是处理单个模型,其效果没有NMS、soft-NMS的好,是因为NMS、soft-NMS在处理很多低可信度的box过滤上效果好吧

zephyr_wang的博客 3987

【基础积累】目标检测NMS—精度提升篇

点击上方,选择星标或置顶,不定期资源大放送!阅读大概需要10分钟Follow小博主,每天更新前沿干货作者:曲終人不散丶知乎链接:https://zhuanlan.zhihu.com/p/...

深度学习技术前沿 1161

目标检测中的检测框合并策略:NMS和Soft-NMS

概述 目标检测中的Region Proposal动辄上千,会形成大量有重合的检测框,需要使用某些算法对检测框去重。 常用的两种算法是NMS和Soft-NMS。 NMS 全称‘非极大值抑制(non maximum suppression)’. 算法思想很简单,按照分类概率排序,概率最高的框作为候选框,其它所有与它的IOU高于一个阈值(这是人工指定的超参)的框其概率被置为0。然后在剩余的框里寻找概率第...

yuanlulu的博客 7167

svm 高斯核为什么惩罚项越大_一文搞懂支持向量机(SVM)算法

SVM中的支持向量是指什么在开始推导之前我们先了解一下支持向量机中的支持向量是指什么。观察上面一张图,哪些点对于分割线起了决定性作用?在特别远的区域,不管有多少样本点,对于分割线的位置,也是没有作用的,分割线是图中三个正好落在margin边界上的点决定的。这几个关键点支撑起了一个分割超平面,他们就是SVM中的支持向量。下面我们开始一步步推导SVM。SVM的优化目标现在我们开始讲解SVM算法的优化目...

weixin_39949776的博客 1164

非极大值抑制_加权非极大值抑制(Weighted NMS)

加权非极大值抑制与传统的非极大值抑制相比,是在进行矩形框剔除的过程中,并未将那些与当前矩形框IOU大于阈值,且类别相同的框直接剔除,而是根据网络预测的置信度进行加权,得到新的矩形框,把该矩形框作为最终预测的矩形框,再将那些框剔除。 while detections.size(0): # 得到第一个bbx与其余bbx的iou大于nms_thres的判别(0, 1...

weixin_39902085的博客 1228

NMS

Soft NMS 论文《Improving Object Detection With One Line of Code》 1、Soft-NMS原理及实现 1.动机 非最大抑制(Non-maximum suppression, NMS)是物体检测流程中重要的组成部分(如下图划线部分)。NMS算法首先按照得分从高到低对建议框进行排序,然后分数最高的检测框M被选中,其他框与被选中建议框有明显重叠的框被抑制。该过程被不断递归的应用于其余检测框。根据算法的设计,如果一个物体处于预设的重叠阈值之内,可能会导致检测不到

qq_41627642的博客 1645
上一篇: 基于ACNet构建ResNet50backbone的Pytorch代码实现
下一篇: SKnet:Selective Kernel Networks学习笔记+Pytorch代码实现
practical_sharp
博客等级 码龄8年 500粉丝 148原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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