NMS——非极大值抑制

最新推荐文章于 2025-04-19 23:02:59 发布
最新推荐文章于 2025-04-19 23:02:59 发布
阅读量10w+ 收藏 600
点赞数 178
分类专栏： 人脸检测(目标检测)
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.csdn.net/shuzfan/article/details/52711706
版权

NMS（non maximum suppression），中文名非极大值抑制，在很多计算机视觉任务中都有广泛应用，如：边缘检测、目标检测等。

这里主要以人脸检测中的应用为例，来说明NMS，并给出Matlab和C++示例程序。

人脸检测的一些概念

（1） 绝大部分人脸检测器的核心是分类器，即给定一个尺寸固定图片，分类器判断是或者不是人脸；

（2）将分类器进化为检测器的关键是：在原始图像上从多个尺度产生窗口，并resize到固定尺寸，然后送给分类器做判断。最常用的方法是滑动窗口。

以下图为例，由于滑动窗口，同一个人可能有好几个框(每一个框都带有一个分类器得分)

这里写图片描述

而我们的目标是一个人只保留一个最优的框：

于是我们就要用到非极大值抑制，来抑制那些冗余的框： 抑制的过程是一个迭代-遍历-消除的过程。

（1）将所有框的得分排序，选中最高分及其对应的框：

这里写图片描述

（2）遍历其余的框ÿ

最低0.47元/天 解锁文章
目标检测的Tricks | 【Trick9】nms非极大值抑制处理（包括变体merge-nms、and-nms、soft-nms、diou-nms等介绍）
Clichong
04-23 6866
如有错误，恳请指出。 用这篇博客记录一下nms，也就是非极大值抑制处理，算是目标检测后处理的一个难点。 在训练阶段是不需要nms处理的，只有在验证或者是测试阶段才需要将预测结果进行非极大值抑制处理，来挑选最佳的正样本。下面就详细查看一下非极大值抑制处理算法的一个大致流程。 文章目录1. NMS主要步骤2. NMS代码实现3. NMS的变体与实现3.1 hard_nms_batch3.2 hard_nms3.3 and-nms3.4 merge-nms3.5 soft-nms3.6 iou-nms3.7 .
非极大值抑制（Non-Maximum Suppression，NMS）
苦逼的程序猿
09-19 3193
概述 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，可以理解为局部最大搜索。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(参考论文《Efficient Non-Maximum Suppression》对1维和2维数据的NMS实现)，而是用于目标检测中提取分数最...
目标检测中的非极大值抑制（NMS）原理与实现解析
uncle_ll的博客
03-20 690
是一种关键的后处理技术，用于去除冗余的检测结果，保留置信度最高且位置最优的边界框。本文将通过一段Python代码解析NMS的核心实现逻辑，并演示其在OpenCV环境中的实际效果。在目标检测任务中，模型通常会对同一目标生成多个重叠的候选框（如锚框或预测框）。，键为类别名称，值为该类别对应的边界框列表。，表示左上角和右下角坐标及置信度。
YOLO拓展-NMS算法
最新发布
m0_75208179的博客
04-19 590
NMS（non maximum suppression）即非极大值抑制，其本质就是搜索局部极大值，抑制非极大值元素，可以理解为局部最大搜索。这里不讨论通用的NMS算法(参考论文《Efficient Non-Maximum Suppression》对1维和2维数据的NMS实现)，而是用于目标检测中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。
非极大值抑制（NMS）
热门推荐
dawnminghuang的专栏
05-15 2万+
非极大值抑制（NMS） 非极大值抑制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
NMS非极大值抑制
qq_53029963的博客
11-24 1622
NMS非极大值抑制的功能： 筛选出一定区域内、属于同一种类、得分最大的框。 每个grid cell包含2个bounding box（每个bounding box包含4个box位置坐标和1个box置信度） 和20个类别的条件概率。 将box置信度和20个类别的条件概率分别相乘，得到一个全概率（20*1）。 因此每个bounding box有一个全概率，1个grid cell有2个全概率，总共输出有7*7*2=98个全概率 此图摘自：YOLOv1 前向推断后处理——NMS非极大值抑制_我的博客-.
NMS（非极大值抑制）
m0_56192771的博客
05-31 4229
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。例如在行人检测中，滑动窗口经特征提取，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。这时就需要用到NMS来选取那些邻域里分数最高（是行人的概率最大），并且抑制那些分数低的窗口。 NMS在计算机视觉领域有着非常重要的应用，如视频目标跟踪、数据挖掘、3D重建、目标识别以及纹理分析等 。 在目标检测中，NMS的目的就是要去除冗余的检测框,保留
目标检测——非极大值抑制算法(NMS算法)
鬼刀
01-14 4119
1、非极大值抑制算法提出的目的          在目标检测中，为了消除多余的检测框，找到最佳的物体检测的位置。   2、 非极大值抑制（Non-Maximum Suppresion， NMS） 什么是非极大值抑制         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，可以理解为局部最大搜索。这个局部代表的是一个邻...
YOLOv1 前向推断后处理——NMS非极大值抑制
我的博客
08-15 2022
每个grid cell包含2个bounding box（每个bounding box包含4个box位置坐标和1个box置信度） 和20个类别的条件概率。 将box置信度和20个类别的条件概率分别相乘，得到一个权概率（形状20*1） 因此每个bounding box有一个权概率，1一个grid cell有2个权概率，总共输出有7*7*2=98个权概率（上图竖条） 把98个权概率分别以颜色（类别）和粗细（box置信度）加持，可视化就得到了中间的98个框 接下来是正题——后处理，把98个...
matlab nms,非极大值抑制 （NMS）及其matlab代码实现
weixin_33998152的博客
03-21 693
非极大值抑制(Non Maximum Suppression)最常用的领域就是目标检测，比如人脸检测，物体检测等。下面也就其在目标检测领域的应用及其代码实现。目标检测的基本流程如下： 具体示意图如下：所以，在输出的ScoreMap中，像素数为numel(ScoreMap)，则输出检测到的Box数目为numel(ScoreMap)个，其维数为(4，numel(ScoreMap))，那么在这么多个输出...
NMS
奔跑的云彩的博客
03-26 1598
对NMS的理解内容，如有不对请指出。 在引进NMS概念之前我们先介绍IOU(交并比)，因为在NMS中选出框图起到至关重要的作用 1、IOU(交并比) 对于bounding box的定位精度，有一个很重要的概念，那就是定位精度评价公式：IOU。 IOU表示了bounding box 与 ground truth 的重叠度，如下图所示： 矩形框A、B的一个重合度IOU计算公式为： IOU
非极大值抑制——NMS
伟仔的小天地
03-30 695
NMS（non maximum suppression），中文名非极大值抑制，在很多计算机视觉任务中都有广泛应用，如：边缘检测、目标检测等。 这里主要以人脸检测中的应用为例，来说明NMS，并给出Matlab和C++示例程序。 人脸检测的一些概念 （1） 绝大部分人脸检测器的核心是分类器，即给定一个尺寸固定图片，分类器判断是或者不是人脸； （2）将分类器进化为检测器的关键是：在原始图像上从多...
nms--非极大值抑制
_icrazy_的博客
07-31 1972
nms（non maximum suppression） 非极大值抑制算法在检测任务中非常常用，常常会出现在同一个目标位置处产生多个候选框；因此nms的作用是剔除掉检测结果中重合率（IOU）大于给定阈值（threshold）的候选框，最终期望达到在一个目标位置处只保留一个最优检测结果。 算法原理 方法的输入参数由两部分组成：dets 所有候选区域，包含每一个检测框的左上和右下角位置坐标以及置信...
NMS: 非极大值抑制
TheWaySoFar
06-08 328
之前总是对这个东西理解错, 后来看了一遍code, 这次应该不会错~~ 自己的理解: 在nms之前先进行一个大的top-N, nms之后在进行一个恰当的top-N, 这样可以非常好~ 因为如果不进行后面的top-n 之前过大, 那么后面就可能很多, 之前过小, 那么后面可能就没几个了 1. 把框的信息和对应的目标得分传给函数(这里都是目标分数, 多少框多少分数, 不是背景的分数, 仅...
NMS 非极大值抑制
泠山的博客
04-12 2983
NMS 非极大值抑制 Reference: NMS——非极大值抑制 非极大值抑制（nonMaximumSuppression） NMS(Non-maximum Suppression)，即非极大值抑制，用以获取局部最大值，在很多计算机视觉任务中都有广泛应用，如：边缘检测、目标检测等。 对于目标在图像中具体位置定位，不管是使用 滑动窗口(Sliding Window) 还是 选择性搜索(Slective Search) 方法，都会产生好多的候选区域。实际看到的情形就是好多区域的交叉重叠，难以满足实际的应用
橙点同学智能网联车安全员高级答案
03-29
智能网联汽车的安全员高级考试涉及多个方面的专业知识，包括但不限于自动驾驶技术原理、车辆传感器融合、网络安全防护以及法律法规等内容。以下是针对该主题的一些核心知识点解析： ### 关于智能网联车安全员高级考试的核心内容 #### 1. 自动驾驶分级标准 国际自动机工程师学会（SAE International）定义了六个级别的自动驾驶等级，从L0到L5[^1]。其中，L3及以上级别需要安全员具备更高的应急处理能力。 #### 2. 车辆感知系统的组成与功能 智能网联车通常配备多种传感器，如激光雷达、毫米波雷达、摄像头和超声波传感器等。这些设备协同工作以实现环境感知、障碍物检测等功能[^2]。 #### 3. 数据通信与网络安全 智能网联车依赖V2X（Vehicle-to-Everything）技术进行数据交换，在此过程中需防范潜在的网络攻击风险，例如中间人攻击或恶意软件入侵[^3]。 #### 4. 法律法规要求 不同国家和地区对于无人驾驶测试及运营有着严格的规定，考生应熟悉当地交通法典中有关自动化驾驶部分的具体条款[^4]。 ```python # 示例代码：模拟简单决策逻辑 def decide_action(sensor_data): if sensor_data['obstacle'] and not sensor_data['emergency']: return 'slow_down' elif sensor_data['pedestrian_crossing']: return 'stop_and_yield' else: return 'continue_driving' example_input = {'obstacle': True, 'emergency': False, 'pedestrian_crossing': False} action = decide_action(example_input) print(f"Action to take: {action}") ``` 需要注意的是，“橙点同学”作为特定平台上的学习资源名称，并不提供官方认证的标准答案集；建议通过正规渠道获取教材并参加培训课程来准备此类资格认证考试。
评论 39
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