Soft-NMS原理、和NMS的区别

最新推荐文章于 2025-03-20 09:02:38 发布
最新推荐文章于 2025-03-20 09:02:38 发布
阅读量3k 收藏 4
点赞数 2
分类专栏： 面试之CV基础知识 深度学习 点滴
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/qq_24502469/article/details/105120399
版权

NMS:

《NMS：Efficient Non-Maximum Suppression》

非极大值抑制，即保留局部最大值而去除局部非最大值

过程：

假设对于某个类别C，假设当前有N个矩形框，这里假设6个，ABCDEFG

首先对这些矩形框按照概率降序排列，选中概率最大的框

对于剩下的框，依次与概率最大的框求IOU，如果IOU大于某个阈值，则将这些框丢弃（置0），并标记保留最大概率框

完成了一次遍历后，留下了一部分框，再从剩下的框中选择概率最大的框，继续根据IOU进行筛选

重复过程，最终保留下了部分矩形框

代码

import numpy as np

def MNS(dets, thresh):

    x1 = dets[:, 0]

    y1 = dets[:, 1]

    x2 = dets[:, 2]

    y2 = dets[:, 3]

    scores = dets[:, 4]

    areas = (x2 - x1 + 1) * (y2 - y1
最低0.47元/天 解锁文章
YOLOv8改进策略【损失函数篇】| 引入Soft-NMS，提升密集遮挡场景检测精度，包括GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS
Limiiiing的博客
12-11 1528
传统的非极大值抑制（NMS）算法在目标检测中存在一个问题，即当一个物体的检测框与具有最高得分的检测框M有重叠（在预定义的重叠阈值内）时，会将该检测框的得分设置为零，从而导致该物体可能被遗漏，降低了平均精度。为了解决这个问题，作者提出了Soft-NMS算法。本文将YOLOv8默认的NMS修改成GIoU-NMSDIoU-NMSCIoU-NMSSIoU-NMSEIou-NMS。
YOLOv8 更换NMS：DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS、SIoU-NMS和Soft-NMS详解
走向CTO的路上...
05-20 2341
非最大值抑制（Non-Maximum Suppression，NMS）是目标检测算法中常用的后处理操作，用于消除预测框中的冗余和重叠，只保留最具代表性的预测框。传统的NMS算法基于IoU（Intersection over Union）度量进行计算，但IoU存在一些局限性，例如对尺度和形状敏感，难以区分正负样本等。为了克服IoU的局限性，研究人员提出了多种改进型NMS算法，例如DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS、SIoU-NMS和Soft-NMS等。
soft-nms-master
06-21
深度学习中faster-rcnn对于nms进行改进，提高检测精度
NMS与Soft-NMS
weixin_42272869的博客
10-28 383
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
目标检测中的非极大值抑制（NMS）原理与实现解析
最新发布
uncle_ll的博客
03-20 629
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。
区别：NMS与SOFT NMS
william_hehe的博客
11-20 353
点击这里.
NMS和Soft-NMS
qq_41021141的博客
10-08 1256
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
NMS 和 Soft-NMS简单介绍
09-29 1095
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
第十一章 解读Soft-NMS、Weighted NMS、IoU-Net、Softer-NMS、Adaptive NMS、DIoU-NMS(工具)
专注于人工智能学习，总结
11-21 1252
众所周知，非极大值抑制NMS是目标检测常用的后处理算法，用于剔除冗余检测框，本文将对可以提升精度的各种NMS方法及其变体进行阶段性总结。总体概要：对NMS进行分类，大致可分为以下六种，这里是依据它们在各自论文中的核心论点进行分类，这些算法可以同时属于多种类别。传统NMS有多个名称，据不完全统计可以被称为：Traditional / Original / Standard / Greedy NMS，为统一起见，下称Traditional NMS。Traditional NMS算法是最为经典的版本，伪代码如下：
yolov8+soft-nms+DIOU/CIOU/SIOU
qq_41920323的博客
07-14 1401
soft-nms+eiou/siou改进yolov8解决密集遮挡问题
YOLOv5/7 更换 DIoU-NMS / CIoU-NMS / EIoU-NMS/ GIoU-NMS / SIoU-NMS/ Soft-NMS
YOLOv8项目贡献者
06-14 4613
YOLOv5/7 更换 DIoU-NMS
NMS算法和soft-NMS算法
南洲.的博客
08-28 4739
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
qq_41627642的博客
07-30 1478
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
说说soft-nms和nms那些事
qq_35914625的博客
09-04 2824
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。
nms,soft nms算法理解
zhuguiqin1的专栏
02-15 4823
从上面这张图可以看出来nms和soft nms的算法原理： ** 经典nms的原理 **设定目标框的置信度阈值，常用的阈值是0.5左右 根据置信度降序排列候选框列表 选取置信度最高的框A添加到输出列表，并将其从候选框列表中删除 计算A与候选框列表中的所有框的IoU值，删除大于阈值的候选框(大于阈值的候选框，表示与置信度最高的勾选框高度重合，所以认为是一个候选框了) 重复上述过程，直到候选框列表为空，返回输出列表** 由此可见，经典nms主要是通过IoU来筛选出候选框。 SoftNMS原理 ** 找到.
Soft-NMS
weixin_44082645的博客
10-15 3488
nms算法常用在目标检测算法中，而soft-nms算法可以说是nms算法的一种改进或者替代。思考可以应用于其他目标检测算法中，以提高检测精度。 论文中说明，soft-nms算法提高了检测准确率，并且计算复杂度与传统nms算法相同。 soft-nms的提出 nms算法很简单，简单来说，就是将不是极大值的框抑制掉，也就是删除为0，只保留下置信度最大的那个框。而问题就出在这里，论文中的话来说，这个方法...
NMS与Soft NMS算法解析以及numpy实现
qq_42025868的博客
12-16 2515
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和Soft_NMS
DaringTang的博客
09-17 273
NMS： 假设有一张图片，输入到RPN中，RPN会输出bbox集合D，这些bbox的置信度各不相同，当然位置也各有差异，但是，总是会存在一些bbox它们的位置会有重叠，这会是得：如果直接使用RPN的输出，那么很多bbox是多余的。 此时，NMS的做法是，先取出集合D中置信度最大的bbox bmax0，将其放到集合R中，同时将D中的bmax0删除，接着寻找D中与集合R中的bbox的IOU大于设定阈...
soft nms
bestrivern的博客
10-02 1028
一.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该待检测物体。即当两个目标框接近时，分数更...
评论
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