NMS非极大值抑制疑问，bbox和当前最高分框的重叠面积(IOU)小于一定阈值 那这些框该怎么处理呢？

最新推荐文章于 2024-09-17 09:42:33 发布
最新推荐文章于 2024-09-17 09:42:33 发布
阅读量3.7k 收藏 1
点赞数 1
分类专栏： 目标检测 DDetection
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/Asunany/article/details/83502717
版权

下面是NMS的基本的算法流程，

（1）将所有框的得分排序，选中最高分及其对应的框 
（2）遍历其余的框，如果和当前最高分框的重叠面积(IOU)大于一定阈值，我们就将框删除。 
（3）从未处理的框中继续选一个得分最高的，重复上述过程。

 

我的疑问是： 步骤（2）中遍历其余的框，如果和当前最高分框的重叠面积(IOU)小于一定阈值 那这些该怎么处理呢？谢谢？

例如对于人脸检测出了2个bbox，分别为A,B，其置信率分别为0.9,0.3，但是他们两个bbox没有交集或者交集小于NMS规定的阈值，那请问最后是取那个框作为检测框呢？

我想我应该表述清楚我的疑问了，谢谢大家的解答~！

Asunany
关注
专栏目录
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 6624
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 .
【yolo】NMS非极大值抑制+IoU的C++实现
Yumesann的博客
02-07 286
NMS & IoU的C++实现，自己随便练着写的，没测试，有问题请告知我修改！
Recall Precision IoU
qq_27840681的博客
03-20 935
Recall Precision IoU参考：周志华 《机器学习》http://blog.csdn.net/hysteric314/article/details/54093734 TP，FP，TN，FN Recall Precision IoU TP，FP，TN，FN对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为 1. 真正例（TP：true positive） ：真实情况
NMS
weixin_39454351的博客
02-14 1140
非极大抑制：用于目标检测中删除重复的框 输入：多个检测的边框，每个边框有得分 输出：最好的边框 对于同一张人脸，可能会存在很多个边界框（每一个框都带有一个分类器得分），我们的目标是，使用NMS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。 2.遍历其余的框，如果当前最高分的框和其框的面积交并比（IoU）删除大于设定的阈值的框。...
深入浅出之重叠度（IOU）
最新发布
浩瀚之水的专栏
09-17 1218
IoU定义为两个边界框的重叠面积与它们并集面积的比例，即：其中，重叠面积（Area of Overlap）是两个边界框相交部分的面积，并集面积（Area of Union）则是两个边界框合并后的总面积。物体检测需要定位出物体的bounding box，就像下面的图片一样，我们不仅要定位出车辆的我们还要识别出bounding box 里面的物体就是车辆。对于bounding box的定位精度，有一个很重要的概念： 因为我们算法不可能百分百跟人工标注的数据完全匹配，因此就存在一个定位精度评价公式：IOU。
目标检测中NMS和mAP指标中的的IoU阈值和置信度阈值
梦坠凡尘
06-03 3万+
有时候路走的太远，会忘了为什么要出发。 学习亦如是 在目标检测中，经常看到置信度阈值和IoU阈值这两个关键参数，且NMS计算和mAP计算中都会有这两个，那它们的区别是什么?本文就这个问题做一次总结。 NMS 模型预测会输出很多框，比如同一个目标会有很多框对应，NMS的作用是删除重复框，保留置信度分数最大的框。 mAP ...
重叠度（IOU）、非极大值抑制（NMS）
qqyouhappy的博客
06-02 756
重叠度（IOU） 假设集合A、B，则IoU=(A∩B)/(A∪B) 非极大值抑制（NMS） 同种类别情况下，对每个候选区域的得分进行从大到小排序，取出其中得分最高的。与其他剩余的所有感兴趣区域计算 IoU。将与当前感兴趣区域边框 IoU的值大于设定 IoU 阈值的感兴趣区域边框去除。然后从未处理的感兴趣区域边框继续选出得分最高的，重复上述过程直到找到对于每个类别中所有的感兴趣区域。 ...
nms的confience阈值，iou阈值，计算map的confience阈值和iou阈值
liguandong
08-03 6302
nms去除冗余框 下面是知乎上画的一组图，非常好理解。 检测得到四个坐标相关值和每一个bb所对应的类别的置信度，首先选定一个confidence阈值，将低于confidence的置信度给过滤掉，其次选定每一类最高的confience所对应的的检测框，计算其余剩下检测框的iou，iou阈值以上的删除（nms去冗余，相近的框删掉），一轮之后，在选定剩下违背删掉的iou中置信度最高的，继续和剩下的检...
非极大值抑制java_非极大值抑制（Non-Maximum Suppression，NMS）
weixin_39869378的博客
02-27 523
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高的窗口的。例如在行人...
NMS(非极大值抑制)算法 -- 理论、代码
_天涯__的博客
01-04 1097
目的 消除 anchor-based 算法中因为滑动窗口或者重叠采样等方式产生的众多冗余候选框，保留效果最佳的框。 定义 非极大值抑制（Non-Maximum Suppress，NMS）算法，就是抑制非极大值的目标（去冗余），从而搜索出局部极大值的目标（找最优）。 原理 输入 给定所有可能的预测边框 predictions = [ [x_max, x_min, y_max, y_min, score], [*], ..., [*]] 以及一个给定的IoU阈值 iou_threshold.（有多少
非极大值抑制 python_非极大值抑制（Non-Maximum Suppression，NMS）
weixin_39534395的博客
12-16 494
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高的窗口的。例如在行人...
NMS（非极大值抑制）
m0_56192771的博客
05-31 3966
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
非极大值抑制NMS代码实现（基于Python）
Vermont_的博客
10-04 773
前言 给出一张图片和上面许多物体检测的候选框（即每个框可能都代表某种物体），但是这些框很可能有互相重叠的部分，我们要做的就是只保留最优的框。假设有N个框，每个框被分类器计算得到的分数为Si, 1<=i<=N。 （1）建造一个存放待处理候选框的集合H，初始化为包含全部N个框；建造一个存放最优框的集合M，初始化为空集。 （2）将所有集合 H 中的框进行排序，选出分数最高的框 m，从集合 H 移到集合 M； （3）遍历集合 H 中的框，分别与框m计算交并比（Interection-over-uni
非极大值抑制（NMS）
昨日明眸
02-14 445
NMS应用在图像识别方面 相关概述：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...
两个bbox的IoU计算步骤分析
Junkman
01-21 585
IoU计算步骤
目标检测：NMS和计算mAP时的置信度阈值和IoU阈值
qingfengxd1的博客
03-29 9484
在目标检测问题中，好几处地方使用了阈值这个限制指标，主要有：1. NMS操作之前用到的置信度阈值a；2. NMS进行时用到的IoU阈值b；3.计算某类别AP时，统计TP,FP个数前，用到置信度阈值c；4. 计算某类别AP时，统计TP,FP个数时，用到IoU阈值d。 NMS用到的IoU阈值，是拿除保留的预测框外的其余预测框跟同一类别中置信度最高的预测框IoU与其作比较。 计算mAP用到的IoU阈值，是拿预测框与GT的IoU与其作比较。 NMS的置信度阈值主要是为了过滤掉一些背景预测框(一般来说one
NMS——非极大值抑制
热门推荐
shuzfan的专栏
09-30 13万+
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，
IoU与非极大值抑制
lt1103725556的博客
07-26 438
IoU就是两个框的交并比，选取与ground truth的IoU大于某一阈值的框 非极大值抑制： 首先选出对某一物体得分最高的框，然后筛掉其他与这个框的IoU大于某一阈值的框 ...
物体检测中常用的几个概念迁移学习、IOU、NMS理解
zhang_shuai12的专栏
10-01 2万+
1、迁移学习迁移学习也即所谓的有监督预训练(Supervised pre-training)，我们通常把它称之为迁移学习。比如你已经有一大堆标注好的人脸年龄分类的图片数据，训练了一个CNN，用于人脸的年龄识别。然后当你遇到新的项目任务是：人脸性别识别，那么这个时候你可以利用已经训练好的年龄识别CNN模型，去掉最后一层，然后其它的网络层参数就直接复制过来，继续进行训练。这就是所谓的迁移学习，说的简单一
yolov8如何使用非极大值抑制，这是给出的非极大值抑制函数def non_max_suppression( prediction, conf_thres=0.25, iou_thres=0.45, classes=None, agnostic=False, multi_label=False, labels=(), max_det=300, n
06-12
非极大值抑制（Non-Maximum Suppression, NMS）是一种用于去除重叠检测框的算法。在YOLOv8中，NMS的实现可以参考以下的代码： ```python def non_max_suppression(prediction, conf_thres=0.25, iou_thres=0.45, classes=None, agnostic=False, multi_label=False, labels=(), max_det=300, nms_kind="greedy", beta_nms=0.6): # prediction是网络输出，包含了检测框的位置和置信度等信息 # conf_thres是置信度的阈值，低于该阈值的检测框会被忽略 # iou_thres是IoU的阈值，重叠度高于该阈值的检测框会被合并 # classes是要保留的类别，如果为None，则保留所有类别 # agnostic表示是否忽略检测框的类别 # multi_label表示是否允许一个物体被多个框检测到 # labels是给定的标签列表，只有这些标签的检测框会被保留 # max_det是最多保留的检测框数量 # nms_kind表示采用哪种NMS算法，可以是"greedy"或"soft" # beta_nms是软NMS算法中的参数 # ... # 对每个图像进行处理，假设prediction的shape为(batch_size, num_anchors, num_classes+5) for i, (pred, im_labels, _) in enumerate(zip(prediction, labels, image_sizes)): # ... # 获取置信度大于阈值的检测框 pred = pred[pred[:, 4] > conf_thres] # 如果没有符合要求的检测框，则跳过 if not pred.size(0): continue # 根据置信度从大到小排序 pred = pred[(-pred[:, 4]).argsort()] # 如果指定了类别，则只保留该类别的检测框 if classes is not None: pred = pred[pred[:, 5].long() == classes] # 如果指定了标签，则只保留包含该标签的检测框 if len(im_labels): pred = pred[np.array([all(x in p for x in im_labels) for p in pred[:, -1]])] # 如果没有符合要求的检测框，则跳过 if not pred.size(0): continue # 获取检测框的坐标和置信度 pred_boxes = pred[:, :4] pred_scores = pred[:, 4] # 计算检测框的面积 pred_areas = (pred_boxes[:, 2] - pred_boxes[:, 0]) * (pred_boxes[:, 3] - pred_boxes[:, 1]) # 初始化被保留的检测框 keep = [] # 采用不同的NMS算法进行处理 if nms_kind == "greedy": # 采用贪心NMS算法 while pred.size(0): # 保留置信度最大的检测框 i = pred_scores.argmax() keep.append(i) # 计算当前检测框与其他检测框的IoU ious = bbox_iou(pred_boxes[i:i+1], pred_boxes) # 找出IoU大于阈值的检测框，删除它们 idx = (ious > iou_thres).nonzero(as_tuple=False).squeeze() pred = np.delete(pred, idx, axis=0) # 删除已经处理过的检测框 mask = np.array([i not in idx for i in range(len(pred))]) pred_boxes = pred_boxes[mask] pred_scores = pred_scores[mask] pred_areas = pred_areas[mask] elif nms_kind == "soft": # 采用软NMS算法 while pred.size(0): # 保留置信度最大的检测框 i = pred_scores.argmax() keep.append(i) # 计算当前检测框与其他检测框的IoU ious = bbox_iou(pred_boxes[i:i+1], pred_boxes) # 采用指数函数进行权重调整 weights = np.exp(-(ious * ious) / beta_nms) # 更新置信度 pred_scores *= weights # 删除置信度小于阈值的检测框 idx = (pred_scores < conf_thres).nonzero(as_tuple=False).squeeze() pred = np.delete(pred, idx, axis=0) # 删除已经处理过的检测框 mask = np.array([i not in idx for i in range(len(pred))]) pred_boxes = pred_boxes[mask] pred_scores = pred_scores[mask] pred_areas = pred_areas[mask] # 只保留前max_det个检测框 keep = keep[:max_det] # 更新预测结果 prediction[i] = prediction[i][keep] return prediction ``` 该函数的输入参数包括网络输出(prediction)、置信度阈值(conf_thres)、IoU阈值(iou_thres)、要保留的类别(classes)、是否忽略检测框的类别(agnostic)、是否允许一个物体被多个框检测到(multi_label)、给定的标签列表(labels)、最多保留的检测框数量(max_det)、采用哪种NMS算法(nms_kind)和软NMS算法中的参数(beta_nms)等。在函数内部，首先根据置信度阈值和类别过滤掉一部分检测框，然后按照置信度从大到小排序。接着，分别采用贪心NMS算法和软NMS算法对每个图像的检测框进行处理，最终得到被保留的检测框。最后，将保留下来的检测框更新到预测结果中，返回更新后的预测结果。
评论 13
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