NMS——卷积网络改进实现

最新推荐文章于 2024-06-30 15:02:33 发布
原创 最新推荐文章于 2024-06-30 15:02:33 发布 · 1.7w 阅读 · 43 ·
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：

#计算机视觉 #神经网络

本文探讨了如何使用卷积神经网络（ConvNet）改进非极大值抑制（NMS）方法，重点在于制作Score Map和IOU层。作者通过网络结构解释了如何处理bounding box，以解决传统NMS中阈值选择的挑战，并介绍了训练目标和损失函数的设计。

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

本文介绍了用卷积神经网络改进传统NMS的方法，文章来源于2016ICLR《A CONVNET FOR NON-MAXIMUM SUPPRESSION》，该文章状态为正在审核。

1-传统的NMS

NMS，非极大值抑制，在很多计算机视觉问题中有着重要应用，尤其是目标检测领域。

以人脸检测为例，通常的流程为3步：

（1）通过滑动窗口或者其它的object proposals方法产生大量的候选窗口；

（2）用训练好的分类器对候选窗口进行分类，该过程可以看做是一个打分的过程；

（3）使用NMS对上面的检测结果进行融合（因为一个目标可能被检测出多个窗口，而我们只希望保留一个）。

如下图是（2）分类检测之后的结果：
这里写图片描述

以此图为例，传统的NMS，首先选定一个IOU阈值，例如为0.25。然后将所有4个窗口（bounding box）按照得分由高到低排序。然后选中得分最高的窗口，遍历计算剩余的3个窗口与该窗口的重叠面积比例（IOU），如果IOU大于阈值0.25,则将窗口删除。然后，再从剩余的窗口中选中一个得分最高的，重复上述过程。直至所有窗口都被处理。

假如0.25是一个不错的阈值，

最低0.47元/天 解锁文章
【YOLO】Softer-NMS 详解
浩瀚之水的专栏
05-20 280
Softer-NMS是目标检测中非极大值抑制（NMS）的改进算法，由卡内基梅隆大学与旷视科技联合提出。该算法通过高斯分布建模和置信度加权平均，解决了传统NMS中分类置信度与定位置信度不匹配的问题，显著提升了定位精度。Softer-NMS的核心思想是利用KL散度优化预测框的分布，使其更接近真实框的分布，并通过加权平均提升最终框的定位精度。
YOLOv8改进 | 主干网络| 可变形卷积网络C2f_DCN【CVPR2017】
kay_545
06-25 2419
yolov8，yolov8改进，yolov8，DCN
NMS算法简单优化
03-19
修改了NMS的算法的一些内容，优化了IOU的运算速度，提供了简单的思路
CNN卷积神经网络的改进（15年最新paper）
AIGC | 智能洞察，创造未来
01-11 2万+
卷积神经网络 改进
NMS及其改进
bblingbbling的博客
07-01 3394
NMS及其改进NMSSoft-NMS基于学习的算法Softer-NMSIOU-Net NMS 1.只用于预测，不用于训练； 2.在每一类的所有box中进行筛选； 3.IOU太大则被删除。 公式： Soft-NMS 1.不要直接地删除所有IOU大于阈值的框，而是降低其置信度； 2.分数降低常用两种方法：线性法和高斯法。 线性法： M为当前得分最高框，bi 为待处理框，bi 和M的IOU越大，bi 的得分si 就下降的越厉害（而不是直接置零）。但该式并不是一个连续的函数，当一个边框与M的IoU超过阈值Nt时
深度神经网络基础-NMS非极大值抑制
weixin_48888528的博客
01-29 657
在执行目标检测任务时，算法可能对同一目标有多次重复检测。检测可能输出多个候选框，通过将候选框得分进行排序，把不是最大值的抑制掉，只保留一个最优的框。分类器判断是不是，检测器用滑动窗口生成多个候选框，送给分类器判断。能让你确保算法只对每个对象得到一个检测框的方法。
非极大值抑制（NMS）在目标检测中的改进与应用
m0_51030297的博客
06-30 1389
NMS用于筛选出最佳的候选框，去除多余的检测框，从而提高检测的精度。在目标检测任务中，传统的NMS方法首先需要按照检测框预测的类别进行分类，然后对每个类别内的检测框独立应用NMS算法。为了解决这个问题，研究者们提出了一种改进的NMS方法，其核心思想是在应用NMS之前，先对不同类别的预测框进行空间上的区分。第二轮：在新的S1集合中，C的置信度分数最高，集合S1中的剩余框分别与C计算IoU，因为D、E与C的IoU>0.5，所以D、E将从S1中移除，C也将作为结果从集合S1中移除，放入最终结果中。
无人驾驶汽车系统入门（十二）——卷积神经网络入门，基于深度学习的车辆实时检测
热门推荐
AdamShan的博客
01-29 4万+
无人驾驶汽车系统入门（十二）——卷积神经网络入门，基于深度学习的车辆实时检测 上篇文章我们讲到能否尽可能利用上图像的二维特征来设计神经网络，以此来进一步提高识别的精度。在这篇博客中，我们学习一类专门用来处理具有网格结构的数据的神经网络——卷积网络（Convolutional Network）。此外，我们使用keras来实现一种深层卷积网络——YOLO，使用YOLO对车辆进行实时检测。
PyTorch深度学习实战（21）——从零开始实现Faster R-CNN目标检测
盼小辉丶的博客
10-16 7361
Faster R-CNN 提出了一种全新的目标检测框架，将候选框生成和目标分类合并到一个网络中，实现了端到端的训练，可以同时优化候选框生成和目标分类任务，提高了检测的准确性和效率。同时，利用共享的卷积特征可以加速特征提取的计算，进一步提高了检测速度。在本节中，将介绍 Faster R-CNN 的工作原理，然后在自定义数据集上训练 Faster R-CNN 目标检测模型。
YOLOv8改进 | 卷积模块 | 用坐标卷积CoordConv替换Conv
kay_545
06-19 2426
yolov8，yolov8改进，利用坐标信息卷积CoordConv
卷积神经网络的改进
TEDDY的博客
04-15 924
机器深度学习与大数据结合在医学图像分析应用 https://www.sohu.com/a/154356777_100663
一种基于GIoU和加权NMS改进的人脸关键点检测方法.pdf
05-13
一种基于GIoU和加权NMS改进的人脸关键点检测方法.pdf
神经网络 卷积神经网络,卷积神经网络改进
纸尿裤排行
10-16 1087
卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。[1] 它包括卷积层(alternating convolutional layer)和池层(pooling layer)。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。
Soft-NMS算法概念（改进的NMS算法）
weixin_44019809的博客
03-29 1706
Soft-NMS算法（改进的NMS算法） 原版的NMS算法，即非极大值抑制，其大致思路：获得得分最高的预选框，然后计算其它预选框与其重叠区域，如果大于某一阈值，则将其舍弃。 可能产生的问题：目标的漏检，如下图所示： 由于得分最高的那个框已经被选出来了，得分第二高的框与其重叠面积过大，因此通过NMS后被舍弃了，导致第二匹马不能被检测出来，为了解决这个问题，Soft-NMS出现了。 Soft-NMS...
卷积神经网络性能优化
小白学视觉
05-27 688
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达作者丨黎明灰烬来源｜https://zhuanlan.zhihu.com/p/80361782编辑丨极市平台极市导读本文首先定义卷积神经网络的概念，继而简要介绍几种常见的优化方法，并讨论作者在该领域的一些经验。引言看到这个标题，很多朋友肯定按耐不住要说「不是吧，又来写这种陈词滥调被人写了几万遍的主题？」，还要附带狗头。我也很无...
【论文学习】Soft-NMS: 用一行代码改进目标检测
CV前沿
03-10 2427
在目标检测领域，非极大值抑制是目标检测管道中的重要一环。那么你知道它的原理吗？它有哪些缺点？如何改进？ 本文会介绍NMS和改进方法Soft-NMS。 后续会陆续介绍其他几篇有名的NMS变体，包括IoU-Guided NMS、Adaptive NMS、DIoU-NMS、Softer-NMS等。 详情关注【CV面试宝典】，回复关键词【NMS】可获取NMS与其变体的论文资料。 摘要 非极大值抑制（NMS）是目标检测管道中的一个必要组成部分。首先，它基于目标检测框的置信度对所有目标检测框进行排序，其中得分最高的检
技术 | 变形卷积核、可分离卷积？卷积神经网络中十大拍案叫绝的操作
修行2017
08-25 813
转载请注明出处： 乐投网 - 技术 | 变形卷积核、可分离卷积？卷积神经网络中十大拍案叫绝的操作     CNN从2012年的AlexNet发展至今，科学家们发明出各种各样的CNN模型，一个比一个深，一个比一个准确，一个比一个轻量。我下面会对近几年一些具有变革性的工作进行简单盘点，从这些充满革新性的工作中探讨日后的CNN变革方向。   注：下面乐投
Soft(er)-NMS：非极大值抑制算法的两个改进算法
lcczzu的专栏
01-17 1万+
论文连接： Soft-NMS – Improving Object Detection With One Line of Code Softer-NMS: Rethinking Bounding Box Regression for Accurate Object Detection 之前用了一篇博客详细说明了NMS的原理，Cython版加速实现和CUDA加速版实现，然而NMS还是存在一些问题...
基于卷积神经网络水下目标检测
最新发布
12-31
### 使用卷积神经网络进行水下目标检测 #### 选择合适的模型架构 对于水下目标检测任务，经过多个版本YOLO算法的深入分析和实验对比，发现YOLOv8是最适合的选择之一[^1]。该模型不仅具备较高的检测精度，在处理速度上也表现出色。 #### 数据预处理与增强技术的应用 考虑到水下环境特殊性带来的挑战——如光线衰减、散射效应等因素影响视觉效果，因此有必要采取有效的图像前处理措施。具体而言，可以运用基于物理特性的成像模型来进行校正补偿；亦或是借助于深度学习框架下的端到端解决方案完成质量提升过程[^2]。 #### 迁移学习策略助力快速部署 鉴于获取大量标注样本存在一定难度，故此引入迁移学习机制显得尤为重要。通过借鉴已有的成熟网络结构（例如MobileNet），并对其最后几层实施针对性调整，能够有效缩短训练周期的同时保证性能指标不打折扣[^3]。此外，针对特定应用场景定制化设计特征提取模块同样有助于改善整体表现。 #### 关键组件解析及优化建议 为了进一步强化系统鲁棒性和泛化能力，可以从以下几个方面着手改进： - **骨干网选取**：优先考虑那些轻量化且高效的backbone设计方案； - **损失函数定义**：结合实际需求设定合理的评价准则，比如Focal Loss可用于解决类别不平衡问题； - **后处理逻辑编写**：合理设置NMS阈值等超参数以过滤冗余预测框。 ```python import torch from ultralytics import YOLO model = YOLO('yolov8n.yaml') # 加载YOLOv8 nano配置文件 results = model.train(data='custom_dataset', epochs=100, imgsz=640) def detect_objects(image_path): results = model.predict(source=image_path) boxes = [] for result in results: box_data = result.boxes.cpu().numpy() if len(box_data) != 0: for bbox in box_data: x_min, y_min, x_max, y_max = int(bbox[0]), int(bbox[1]), int(bbox[2]), int(bbox[3]) confidence = float(bbox[4]) class_id = int(bbox[5]) boxes.append([x_min, y_min, x_max, y_max, confidence, class_id]) return boxes ```
评论 7
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