本文介绍了Adaptive NMS，一种针对群体中行人检测的改进方法。作者指出Soft NMS和Greedy NMS在避免目标遗漏方面的局限性，并提出Adaptive NMS来解决这一问题。通过引入object density概念，Adaptive NMS在保持高准确率的同时减少了误检。实验结果显示，Adaptive NMS在行人检测效果上优于传统NMS和Soft NMS。
题目：Adaptive NMS:Refining Pedestrian Detection in a Crowd
作者：Songtao Liu、Di Huang 、Yunhong Wang
Motivation:
作者认为Soft NMS 与Greedy NMS 一样，只能在一定程度上解决目标不被NMS筛掉；如果降低阈值则会导致准确率下降。因此提出Adaptive NMS。
Related works:
先定义一个object density:
di=Max(iou(bi,bj)),其中bi∈G,i≠jNM=Max(Nt,dM),Nt为GreedyNMS中的阈值，dM为密度值si={siiou(M,bi)<NMsi∗f(iou(M,bi))iou(M,bi)>NMd_i = Max( iou(b_i,b_j)), 其中b_i \in G,i \ne j\\
N_M=Max(Nt, d_M), N_t为Greedy NMS中的阈值， d_M为密度值\\
s_i =\left\{ \begin{array}{rcl}
s_i& & {iou(M,b_i)<N_M} \\
s_i*f(iou(M,b_i)) && {iou(M,b_i)>N_M}
\end{array} \right. di=Max(iou(bi,bj)),其中bi∈G,i=jNM=Max(Nt,dM),Nt为GreedyNMS中的阈值，dM为密度值si={sisi∗f(iou(M,bi))iou(M,bi)<NMiou(M,bi)>NM
因此，只要求到dMd_MdM就可以了；
object density，dMd_MdM求法：
对于每个bbox对应一个did_idi,因此，可根据上述求法，在classes 和 bbox 外加一层预测 density的方法；
Experiment:
相比NMS，SOFT NMS，Adaptive NMS的效果是相对最好的；
扫一扫
6983
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
