【AI面试】NMS 、 Soft NMS 、NMS Free 和 WBF 的辨析

已于 2024-11-06 20:45:39 修改
阅读量1.3k 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 7天快速通过AI/CV面试 文章标签： 人工智能 计算机视觉 算法 NMS
于 2023-03-04 20:06:13 首次发布
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。
本文链接：https://blog.youkuaiyun.com/wsLJQian/article/details/129335195
本文详细介绍了目标检测中的四种后处理技术：NMS、Soft NMS、NMS Free和WBF（Weighted Boxes Fusion）。NMS是一种快速但有时过于激进的抑制重叠框的方法，而Soft NMS通过降低重叠框的置信度以避免完全删除。NMS Free避免了NMS的后处理，通过学习直接得到所需结果。WBF则用于融合多个模型的预测结果，提高检测性能。实验表明，WBF在提高准确性的同时，比标准NMS慢，但更具鲁棒性和稳定性。

文章目录


往期文章：

目前，计算机视觉在许多地方都有重要的应用，例如自动驾驶汽车、监控系统和图像识别。计算机视觉的主要挑战之一是目标检测，它涉及识别和定位图像和视频中的目标。

对于模型预测目标的数量，相比于标注数量是多出很多的。采用什么后处理方式，去除掉冗余的框，对最终的输出结果会产生较大的影响?

本文就从NMS 、 Soft NMS 、NMS Free 和 WBF 的角度进行辨析，帮助对这块内容，形成整体的思维。

一、NMS

非极大值抑制（Non-Maximum Suppression，NMS），并不是深度学习时期，和目标检测的产物。在传统的图像处理领域，就已经引入了NMS算法，目的都是为乐去除冗余的部分，留下需要的目标。所以，他是老算法的新使用。

  • 目的： 为了消除多余的框，找到最佳的物体检测
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【YOLO】标准NMS（Non-Maximum Suppression）详解
浩瀚之水的专栏
05-18 375
​非极大值抑制（NMS）​​ 是目标检测中用于消除冗余检测框的后处理算法，其核心目的是在多个重叠的候选框中保留对同一目标的最佳预测结果，同时剔除其他低质量的重复框。
【YOLO】目标检测中NMS综述
浩瀚之水的专栏
05-16 362
NMS及其变体的核心目标是在保证检测精度的同时消除冗余框。选择方法需权衡场景特点（如目标密度、遮挡程度）和计算效率。随着目标检测技术的发展，NMS的改进仍是一个活跃的研究领域。
【目标检测】NMS、SoftNMS
研究兴趣：开放集识别、开放世界识别、新类发现、增量学习、少样本学习
04-05 1648
NMS、Soft-NMS的概念、步骤与实现
NMS与Soft-NMS
weixin_42272869的博客
10-28 416
NMS 与 Soft-NMS 1）NMS 非最大抑制（Non-maximum suppression, NMS）是物体检测流程中重要的组成部分。 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该待检测物体。即当两个目标框接近时，分数更低的框就会因为与之重叠面积过大而被删掉。（将检测框按得分排序，然后保留得分最高的框，同时删除与该
算法面试（5）------NMS（非极大值抑制）原理 Soft-NMS、DIoU-NMS 是什么？
最新发布
jndingxin的专栏
09-24 870
这是一个目标检测领域的核心后处理问题，也是面试高频考点。我们从基础 NMS 原理 → 缺陷 → 改进版（Soft-NMS、DIoU-NMS） 三层递进，彻底讲透！
NMS 和 Soft-NMS简单介绍
09-29 1176
一 　NMS NMS算法的大致思想：对于有重叠的候选框：若大于规定阈值（某一提前设定的置信度）则删除，低于阈值的保留。对于无重叠的候选框：都保留。 所谓非极大值抑制：先假设有6个输出的矩形框(即proposal_clip_box)，根据分类器类别分类概率做排序，从小到大分别属于车辆的概率(scores)分别为A、B、C、D、E、F。 (1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值; (2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我
NMS
qq_41627642的博客
07-30 1548
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
NMS与Soft NMS
weixin_41813620的博客
05-22 1310
1.NMS 非最大抑制（Non-maximum suppression, NMS）是物体检测流程中重要的组成部分。NMS算法的大致思想：对于有重叠的候选框：若大于规定阈值（某一提前设定的置信度）则删除，低于阈值的保留。对于无重叠的候选框：都保留。根据这个设计，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该待检测物体。即当两个目标框接近时，分数更低的框就会因为与之重叠面积过大而被删掉。 举...
NMS 、 Soft NMS 、NMS Free 和 WBF 的辨析
02-28
嗯，用户现在问的是关于NMS、Soft NMS、NMS-Free和WBF这几个目标检测后处理方法的辨析。我需要先回忆一下这些方法的基本概念和区别，然后组织出一个清晰的回答结构。 首先，NMS（非极大值抑制）是目标检测中常用的...
目标检测中的NMS，soft NMS，softer NMS，Weighted Boxes Fusion
practical_sharp的博客
03-20 2900
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。 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
NMS与Soft NMS算法解析以及numpy实现
qq_42025868的博客
12-16 2631
NMS全称为Non Maximum Suppression，中文意思是非极大值抑制，字面意思就是不是极大值的元素被抑制掉，其实就是筛选出局部最大值得到最优解。NMS算法被广泛运用于目标检测算法处理网络输出的边界框。Soft NMS是对NMS的优化算法，它在不增加额外参数的情况下且只需要对NMS算法进行简单的改动就能提高AP。
NMS算法和soft-NMS算法
南洲.的博客
08-28 4908
NMS算法 非极大值抑制（NMS）顾名思义就是抑制不是极大值的元素，搜索局部的极大值。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，而是用于在目标检测中用于提取分数最高的窗口的。 例如在行人检测中，滑动窗口经提取特征，经分类器分类识别后，每个窗口都会得到一个分数。但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉的情况。这时就需要...
NMS和Soft-NMS
qq_41021141的博客
10-08 1303
NMS 目标检测的算法流程大致如下：①由RPN生成若干类别无关的proposal（左上到右上）②由分类网络和回归网络生成每个proposal的类别概率分布和坐标偏移量（右上到右下）③对所有检测框进行NMS得到最终的检测框（右下到左下） NMS就是用于消除如右下图所示的重叠的一些检测框 NMS算法过程： 开始于一个检测框列表B、对应的置信度(类别概率)列表S、空的最终检测框列表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，并添加到最终检测框列表D中。然后，计算M与B中其他检
详解NMS和soft-nms算法
牛肉胡辣汤
04-06 2378
NMS和soft-nms算法是目标检测中常用的选择最佳目标框的技术。NMS算法基于目标框的置信度和重叠度进行筛选和排序，是一种简单而有效的算法。然而，在某些情况下，NMS算法可能存在一些问题，这时可以考虑使用soft-nms算法进行改进。soft-nms算法引入了递减置信度的惩罚因子，能够在一定程度上解决重叠框竞争的问题，得到更准确的检测结果。
NMS和softnms代码
mjiansun的专栏
01-06 3946
NMS的python代码 import numpy as np def py_cpu_nms(dets, thresh): """Pure Python NMS baseline.""" x1 = dets[:, 0] y1 = dets[:, 1] x2 = dets[:, 2] y2 = dets[:, 3] scores = dets[:...
区别：NMS与SOFT NMS
william_hehe的博客
11-20 366
点击这里.
NMS 与 Soft-NMS
xungeer29 的博客
09-02 408
NMS 算法流程 假设有有一个候选的boxes的集合B和其对应的scores集合S： 从B中找出分数最高box，记为M； 将M对应的box从B中删除； 将删除的box添加到集合D中； 从B中删除与M对应的box重叠区域大于阈值NtN_tNt​的其他框； 重复上述步骤1-4。 code # https://github.com/rbgirshick/py-faster-rc...
【深度学习】——非极大值抑制（nms/soft-nms）
python_AI_fans的博客
03-19 2048
nms（非极大值抑制）相关概念以及Python实现
说说soft-nms和nms那些事
qq_35914625的博客
09-04 2883
说说经典非极大抑制前言什么是非极大抑制？传统的非极大抑制产生的问题？soft-nms 前言 今天来介绍下非极大抑制。 什么是非极大抑制？ 目标检测算法会输出多个检测边框，尤其是在真实目标周围会有很多置信度高的检测边框。为了去除重复的检测边框，达到每个物体有且只有一个检测结果的目的。非极大值抑制（Non-maximum suppression，NMS）是一种获取局部最大值，抑制非极大值的算法，在计算机视觉中有着广泛的应用。其核心思想是一个迭代-遍历-消除的过程，重叠率大于固定阈值的低分框会被高分框抑制。
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

打赏作者

钱多多先森

你的鼓励，是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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