NMS非极大抑制-简单总结

爱发呆的WWT

已于 2023-10-08 16:29:03 修改

阅读量75

点赞数

分类专栏：其他笔记文章标签：人工智能计算机视觉目标检测笔记

于 2023-10-08 16:27:59 首次发布

其他笔记专栏收录该内容

8 篇文章 0 订阅

订阅专栏

NMS(non maximum suppression）非极大抑制

基本过程

首先将概率进行排序
以概率最大的框为基准，检查重叠率
若重叠率超过一个阈值，就剔除后面的框
若重叠率小于阈值，就保留这个框
接下来，以次大概率的框继续比较IOU

# INPUT：所有预测出的bounding box (bbx)信息（坐标和置信度confidence），　IOU阈值（大于该阈值的bbx将被移除）
for object in all objects:
    (1) 获取当前目标类别下所有bbx的信息
    (2) 将bbx按照confidence从高到低排序,并记录当前confidence最大的bbx
    (3) 计算最大confidence对应的bbx与剩下所有的bbx的IOU,移除所有大于IOU阈值的bbx
    (4) 对剩下的bbx，循环执行(2)和(3)直到所有的bbx均满足要求（即不能再移除bbx）

NMS的缺点

需要手动设置阈值，阈值的设置会直接影响重叠目标的检测，太大造成误检，太小达不到理想情况。

低于阈值的直接设置score为0，做法太hard。

只能在CPU上运行，成为影响速度的重要因素。

通过IoU来评估，IoU的做法对目标框尺度和距离的影响不同。

NMS的改进思路

根据手动设置阈值的缺陷，通过自适应的方法在目标系数时使用小阈值，目标稠密时使用大阈值。例如Adaptive NMS

将低于阈值的直接置为0的做法太hard，通过将其根据IoU大小来进行惩罚衰减，则变得更加soft。例如Soft NMS，Softer NMS。

只能在CPU上运行，速度太慢的改进思路有三个，一个是设计在GPU上的NMS，如CUDA NMS，一个是设计更快的NMS，如Fast NMS，最后一个是掀桌子，设计一个神经网络来实现NMS，如ConvNMS。

IoU的做法存在一定缺陷，改进思路是将目标尺度、距离引进IoU的考虑中。如DIoU。

改进方法

Soft-NMS（ICCV2017）、Softer-NMS(CVPR2019)、Weighted NMS(ICMEW2017)

后处理方法NMS、Soft-NMS、Softer-NMS、WBC、DIoUNMS 、NMS替代算法Confluence_wbc nms 检测-CSDN博客

分类置信度优先NMS总结：NMS、soft-NMS及Weighted NMS的局限性：
- 对于IOU≥NMS阈值的相邻框，传统NMS的做法是将其得分暴力置0，相当于被舍弃掉了，这就有可能造成边框的漏检，尤其是有遮挡的场景。(在目标检测中)
- 对IOU大于阈值的边框，Soft-NMS采取得分惩罚机制，降低该边框的得分，即使用一个与IoU正相关的惩罚函数对得分进行惩罚。（当邻居检测框b与当前框M有大的IoU时，它更应该被抑制，因此分数更低。而远处的框不受影响。）
- 如果前面讲的soft NMS是通过抑制机制来改善剔除结果（降低超阈值的得分策略），那么Weighted NMS（W-NMS）则是从极大值这个方面进行改进。W-NMS认为Traditional NMS每次迭代所选出的最大得分框未必是精确定位的，冗余框也有可能是定位良好的。因此，W-NMS通过分类置信度与IOU来对同类物体所有的边框坐标进行加权平均，并归一化。其中，加权平均的对象包括M自身以及IoU≥NMS阈值的相邻框。
- 缺点：仍为顺序处理模式，且运算效率比Traditional NMS更低；加权因子是IOU与得分，前者只考虑两个框的重叠面积；而后者受到定位与得分不一致问题的限制。
- 都是以分类置信度优先的NMS，未考虑定位置信度，即没有考虑定位与分类得分可能出现不一致的情况，特别是框的边界有模棱两可的情形时。
- 采用的都是传统的IOU，只考虑两包围盒子之间的重叠率，未能充分反映两包围盒子之间相对位置关系。
IOU-Guided NMS/IOU-Net(ECCV2018)
Adaptive NMS(CVPR2019)
DIoU NMS(AAAI2020)