NMS—非极大值抑制算法的理解

最新推荐文章于 2024-07-17 09:58:36 发布
最新推荐文章于 2024-07-17 09:58:36 发布
阅读量4k 收藏 12
点赞数
分类专栏： 深度学习
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_33373858/article/details/83037685
版权
非极大值抑制(NMS)在目标检测中用于去除重合度高的候选框，提高检测效率。通过排序得分、计算IOU并设定阈值来迭代删除冗余框，最终保留最具代表性的结果。例如在人脸检测中，经过NMS处理，可以有效消除多余框，如B:0.98和E:0.81被保留。
摘要由CSDN通过智能技术生成

一、概念

在目标检测中，得到多个候选框及其置信度得分。非极大值抑制算法(NMS)对多个候选框，去除重合率大的冗余候选框，得到最具代表性的结果，以加快目标检测的效率。

二、实例

以下图人脸检测为例，目标：消除重合率大且多余的候选框，保留某个区域的一个最优的候选框。

非极大值抑制算法(NMS)抑制冗余的框， 抑制的过程是一个迭代-遍历-消除的过程。

这里写图片描述

1）将所有框的得分排序，选中最高分及其对应的框

a) 假设图中有A：0.75、B:0.98 、C：0.83、D:0.67、E：0.81

b) 将置信度升序排序为D:0.67、A：0.75、E：0.81、C：0.83、B:0.98

c) 选中得分最高的B:0.98

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。

a)由B:0.98对其余A、C、D、E框计算IOU，B与A、C的IOU>阈值，删除A、C框。

b)第一轮得到B：0.98、D:0.67、E：0.81

这里写图片描述

最低0.47元/天 解锁文章
黄鑫huangxin
关注
专栏目录
非极大值抑制NMS.zip
04-27
非极大值抑制（Non-Maximum Suppression, 简称NMS）是计算机视觉领域中的一个重要技术，尤其是在目标检测任务中。它主要用于处理检测算法可能产生的过多重叠的边界框，以确保每个目标只被识别一次，从而提高检测结果...
非极大值抑制(NMS)
bestrivern的博客
05-09 1355
一．概述 在目标检测中，常会利用非极大值抑制算法(NMS)对生成的大量候选框进行后处理，去除冗余的候选框，得到最具代表性的结果，以提高目标检测的效率。即如下图所示，消除多余的候选框，找到最佳的bbox。 二．NMS算法详解 NMS算法的核心思想如下： 根据候选框...
目标检测中NMS（非极大值抑制）原理解析
突然好想你
03-09 1517
由于目标在图像中的形状和大小可能是各种各样的，所以为了能够较好地在图像中检测这些目标，通常会设计生成数量众多、长宽各异的候选边界框。但是对于一个目标检测任务来说，理想的情况是一个，所以目标只需输出一个最准确的边界框即可。
极大值抑制 nms 代码详解
最新发布
金色旭光的博客
07-17 717
NMS: 非极大值抑制（`Non-Maximum Suppression`)， 功能：从大量的预测结果中筛选出得分最高的结果。 思路：NMS的主要思路是通过计算目标框之间的重叠度（即IOU，交并比）来剔除非最佳结果。
非极大值抑制(Non-Maximum Suppression,NMS)算法与c和python代码详解
祥瑞的技术博客
01-16 4210
背景：非极大值抑制算法（Non-maximum suppression, NMS）的本质是搜索局部极大值，抑制非极大值元素。在目标检测之中用到非常多。 目的：搞懂此算法原理且看懂代码。 目录 一、算法解析 1.1 算法概览 1.2 算法过程 二、c代码解析 2.1 输入参量 2.2 按置信概率排序 sort函数 2.3 IOU的确定 string.compare函数 vec...
非极大值抑制_CV学习笔记（二十五）：NMS非极大值抑制算法
weixin_39562327的博客
12-14 132
非极大值抑制算法（Non-maximum suppression, NMS）是有anchor系列目标检测的标配，NMS主要用于消除多余的检测框，那么消除的标准是什么，我们使用IOU作为标准来进行演示，IOU的原称为Intersection over Union，也就是两个box区域的交集比上并集。大致流程：选取这类box中scores最大的那一个，记为current_box，并保留它(为什么保留它...
非极大值抑制
sinat_38998284的博客
07-14 363
非极大值抑制（NMS），其思想为：对于重叠的候选框，若大于规定阈值（某一提前设定的置信度），则删除；低于阈值则保留。对于无重叠的候选框，都保留。IOU定义：两个边界框的交集部分除以它们的并集。注：置信度定义（YOLO）：置信度分数反应的是一个边界框是否包含对象并且预测对象的精确度非极大值抑制的流程：1.根据置信度的分进行排序2.选择置信度最高的边界框添加到最终的输出列表中，并将其从边界框列表中删除...
非极大值抑制C++/C/Matlab版的源码
12-26
非极大值抑制（Non-Maximum Suppression, NMS）是一种在图像处理和计算机视觉领域广泛应用的技术，特别是在目标检测和图像分割中。它的主要目的是消除边缘检测或特征检测过程中的冗余峰值，只保留最显著的特征点，...
非极大值抑制NMS算法
10-31
非极大值抑制（Non-Maximum Suppression, NMS）是一种在目标检测领域广泛应用的算法，主要用于消除重复的检测结果，提升检测精度。在深度学习模型如Fast R-CNN和R-CNN等中，NMS是至关重要的后处理步骤。 在目标检测...
非极大值抑制原理解析及实现流程
08-18
非极大值抑制（Non-Maximum Suppression, NMS）是一种在计算机视觉和图像处理领域广泛应用的算法，特别是在目标检测中。它的主要作用是去除冗余的检测结果，确保最终输出的是最具代表性的目标边界框。NMS的核心思想...
cpp-NMSSoftNMS两种非极大值抑制算法实现
08-16
在这个cpp-NMSSoftNMS项目中，包含了两种非极大值抑制算法的实现：传统NMS和SoftNMS。 **传统NMS（Non-Maximum Suppression）** 1. **基本原理**：传统NMS首先根据预测框的置信度（confidence score）进行排序，...
目标检测中的非极大值抑制(NMS)算法
DeepDriving
05-21 2544
目标检测中的非极大值一致算法 本文首发于微信公众号【DeepDriving】，欢迎关注。 导读 经典的Anchor-Based目标检测算法(YOLO、SSD、Faster-RCNN)中都包含一个生成候选边界框的过程，出于提高目标检测召回率的目的，通常会生成数量众多的候选边界框，这些候选边界框有不同的长宽比，同时每个候选边界框都会被分配一个置信度分数。在目标检测的后处理阶段，可以先通过阈值过滤掉大部分置信度低于阈值的候选边界框，但是对于同一个目标，还是有可能会有好几个置信度高于阈值的边界框会留下来，这时候
【基础知识】---NMS非极大值抑制算法详解
All_In_gzx_cc的博客
02-25 844
储备知识—IOU 定义 在目标检测的评价体系中，有一个参数叫做 IoU ，简单来讲就是模型预测的目标窗口和原来标记窗口的交叠率。 # ((x1[i], y1[i]), (x2[i], y2[i])) 　areai = (x2[i]-x1[i]+1)*(y2[i]-y1[i]+1) 　areaj = (x2[j]-x1[j]+1)*(y2[j]-y1[j]+1) 　xx1 = max(x1[i], x1[j]) 　yy1 = max(y1[i], y1[j]) 　xx2 = min(x2[i],
非极大值抑制算法（NMS）
qq_39324954的博客
07-19 4317
非极大值抑制（Non-maximumsuppression，NMS）是一种去除非极大值的算法，常用于计算机视觉中的边缘检测、物体识别、人脸检测、目标检测（DPM，YOLO，SSD，FasterR-CNN）等。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***利用非极大值抑制找到最佳的目标边界框，消除冗余的边界框，只保留最优的框***。......
非极大值抑制（nonMaximumSuppression）
热门推荐
年轻即出发，
07-29 3万+
理论基础         说实话，讲理论基础实在不是我的强项，但是还是得硬着头皮来讲，希望我的讲解不至于晦涩难懂。         非极大值抑制，简称为NMS算法。是一种获取局部最大值的有效方法。在3领域中，假设一个行向量的长度为w，从左向右，由第一个到第w个和其3领域中的数值进行比对。如果某个i大于i+1并且小于i-1，则其为一个绝不最大值，同时也就意味着i+1不是一个局部最大值，所以将i移动2...
nms--非极大值抑制
_icrazy_的博客
07-31 1755
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...
【YOLO v4 相关理论】常见的非极大值抑制方法：(Hard) NMS、Soft NMS、DIoU NMS
qq_38253797的博客
05-20 8642
一、NMS 1.1、IoU IoU(Intersection over Union)，也就是我们常说的交并比。简单来说IOU就是用来度量目标检测中预测框与真实框的重叠程度。 IoU公式：IoU=∣A⋂B∣∣A⋃B∣IoU = {|A\bigcap B|\over |A\bigcup B|}IoU=∣A⋃B∣∣A⋂B∣​ 显而易见，IOU的值越高也说明A框与B框重合程度越高，代表模型预测越准确。反之，IOU越低模型性能越差。 1.2、NMS算法流程 1. 先对网络预测出的所有边界框按分数（属于某个种类的概率
Python中索引的学习笔记
墨门
02-23 1215
1 前言 今天在学习FaceBoxes～ 看到一个比较奇怪的代码，“order = scores.argsort()[::-1][:args.top_k]”，不太懂这个“[::-1]”是什么意思，所以就要向度娘请教一下～ 2 Python中索引的学习笔记 a[-1] 即取列表a的最后一个元素； a[:3] 当i缺省时，默认为0，即a[:3]相当于a[0:3]； a[-2:] 读取最后两个元素，示例代码如下： import numpy as np a = np.arange(6) a # array([0,
画出NMS非极大值抑制算法流程图
05-12
以下是NMS非极大值抑制算法的简化流程图： ![NMS流程图](https://i.imgur.com/4x0f3mW.png) 其中，输入为一组候选框和它们对应的置信度，输出为经过NMS处理后的一组候选框。具体步骤包括： 1. 按照置信度从高到低排序所有候选框。 2. 取出置信度最高的候选框，并将其加入最终输出列表中。 3. 计算该候选框与其他所有未处理过的候选框的IoU（交并比），并将IoU大于一定阈值（一般为0.5）的候选框从候选框列表中删除。 4. 重复2-3步，直到候选框列表为空。
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