对象检测网络中的NMS算法实现详解

NMS(非最大抑制)是目标检测中关键步骤,用于合并多个候选框到单一检测框。文章介绍NMS原理,包括贪心算法与最优解算法实现,讨论score与overlap阈值设置对检测精度的影响,并提出soft-NMS作为改进方案。

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

NMS定义

在一个典型的对象检测管道中,网络会在中间层输出很多候选框-BB(bounding box)。在这个阶段输出的BB大多数都会关联同一个检测对象,这个时候需要一个方法来合并这些BB成为一个对象检测框,除了FP之外。Non-maximum-suppression(NMS)通过空间距离结合并交比(IOU)完成聚类划分,对每个cluster只保留得分最高的BB,这种方法中文也被称着-非最大抑制。
对象检测网络中的NMS算法实现详解

算法实现

NMS有两种最常见的代码实现方法

  • 贪心算法Greedy
  • 最优解算法Optimal
    两种方法实现的伪代码如下:
    Greedy
    对象检测网络中的NMS算法实现详解
    Optimal
    对象检测网络中的NMS算法实现详解

两种算法提供了不同的解决思路:对象检测网络中的NMS算法实现详解

NMS超参数

两个重要的参数是score阈值与overlap阈值,任何低于score阈值的BB将会被拒绝,当两个BB的IOU大于给定的overlap阈值时候,两个检测框将会被聚类分割为同一个对象检测框。Overlap阈值需要平衡精度与抑制效果:

  • 当overlap阈值越大、proposals boxes被压制的就越少,结果就是导致大量的FP(False Positives),进一步导致检测精度下降与丢失(原因在于对象与背景图像之间不平衡比率,导致FP增加数目远高于TP)
  • 当overlap阈值很小的时候,导致proposals boxes被压制的很厉害,导致recall大幅下降。

提升:

使用soft-NMS,在soft-NMS中score被乘以负向IOU,图示如下:对象检测网络中的NMS算法实现详解

下图是基于soft-NMS实现了对部分重叠对象的成功检测:
对象检测网络中的NMS算法实现详解

本文转自

https://medium.com/@yusuken/object-detction-1-nms-ed00d16fdcf9

由gloomyfish翻译,转载请注明出处!

转载于:https://blog.51cto.com/gloomyfish/2356197

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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