Intersection Over Union， Non-max Suppression，Anchor Boxes

最新推荐文章于 2023-07-09 15:11:49 发布
最新推荐文章于 2023-07-09 15:11:49 发布
阅读量356 收藏 1
点赞数 1
分类专栏： 人脸识别
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_34374664/article/details/81174624
版权
本文介绍了目标检测中的关键概念：Intersection Over Union (IoU)用于衡量检测区域准确性，Non-maximum Suppression (NMS)避免同一目标被多次检测，以及Anchor Boxes解决多个目标重叠检测问题。IoU通过比较交集与并集确定检测框与真实框的匹配程度，NMS通过Pc值和IoU阈值筛选最准确的检测网格，而Anchor Boxes则通过不同形状适应不同大小的目标，确保每个网格能检测多个目标。
摘要由CSDN通过智能技术生成

1. Intersection Over Union

IoU，即交集与并集之比，可以用来评价目标检测区域的准确性。

这里写图片描述

如上图所示，红色方框为真实目标区域，蓝色方框为检测目标区域。两块区域的交集为绿色部分，并集为紫色部分。蓝色方框与红色方框的接近程度可以用IoU比值来定义：

IoU可以表示任意两块区域的接近程度。IoU值介于0～1之间，且越接近1表示两块区域越接近。

2. Non-max Suppression

YOLO算法中，可能会出现多个网格都检测出到同一目标的情况，例如几个相邻网格都判断出同一目标的中心坐标在其内。

这里写图片描述

上图中，三个绿色网格和三个红色网格分别检测的都是同一目标。那如何判断哪个网格最为准确呢？方法是使用非最大值抑制算法。

非最大值抑制（Non-max Suppression&

最低0.47元/天 解锁文章
键盘里的青春
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 6563
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 .
YOLOV5-Lite轻量化部署与训练
`or 1 or 不正经の泡泡
07-08 2380
没啥意思，很简单，需要实现一个目标检测，但是，不能占用太多运算资源，同时需要保证一定的精度。并且要在移动端部署，要在一台ROS小车上面部署。那么此时常见的选择自然有yolov3-tiny等。但是考虑到onnx部署方案的成熟，目前的加持之下，python也有不错的效率，所以，这里就考虑使用到yolov5-lite版本。可以看到官方的对比：同时在我的本地机器上面也是做了对比。
【NMS】non max suppression非最大抑制及其实现
zbossz的学习小分队
03-20 437
黑色的是被检测的人，蓝色是检测框，蓝色数字是每个框的概率分数。 当我们检测一个物体的时候。 会有多个检测框，此时，我们需要用NMS 来删除多余的框。 我们首先选出得分最高的框–在这里就是得分0.8的框。 此时我们需要判断得分最高的框和另一个框的iou值， 假设我们设定iou的标准阈值是0.5， 如果2个框的iou算出来大于我们设定iou的标准阈值是0.5，那么我们就删掉另一个框，保留得分最高的框。 如果小于，就不删。 注意，这个操作必须是针对同一个物体的。如果是这样的情况： 下面我们来实现NMS： im
non-max suppression(非最大值抑制)
bs111的博客
08-04 6449
non-max suppression(非最大值抑制) 该算法的原理： 先假设有6个矩形框，根据分类器的类别分类概率大小排序，假设从小到大属于车辆(被检测的目标)的概率分别问：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是否大于某个指定的阀值； （2）假设B、D与F的重叠度大于指定的阀值，则丢弃B、D，并标记第一个矩形框 F，使我们要保留的 （...
由`non_max_suppression`思考box形成过程
zhuangyuan7838的博客
11-08 3010
non_max_suppression代码分析 简单根据置信度进行NMS def non_max_suppression(boxes, conf_thres=0.5, nms_thres=0.3): detection = boxes # 1、找出该图片中得分大于门限函数的框。在进行重合框筛选前就进行得分的筛选可以大幅度减少框的数量。 mask = detection[:, 4] >= conf_thres detection = detection[mask]
Non-max suppression非极大值抑制(NMS)
weixin_42510957的博客
11-10 660
一个物体可能会被几个候选框框中，如下图，蓝色、红色、黄色的框，它们都是正确的结果， NMS的作用就是帮助减少候选框的数量，得到置信度最高，框中的效果最好的候选框。 选出置信度最高的候选框，如果和当前最高分的候选框重叠面积loU大于一定阈值，就将其删除。 下图中红色框的置信度最高，其认为有90%的概率框中的是猫。保留红色的框，抑制掉它旁边Iou大于一定阈值的其他框。 当存在多预测目标时，先选取置信...
NotFoundError: Op type not registered 'NonMaxSuppressionV3' in binary running on ...Make sure the...
castle_cc的博客
10-31 7409
使用tensorflow加载.pb文件时报如下错误： NotFoundError: Op type not registered ‘NonMaxSuppressionV3’ in binary running on cc-X299-AORUS-Gaming-3. Make sure the Op and Kernel are registered in the binary running in ...
非极大值抑制 python_非极大值抑制（Non-Maximum Suppression，NMS）
weixin_39534395的博客
12-16 449
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...
Yolov5-Lite + Sort算法实现边缘目标跟踪
最新发布
`or 1 or 不正经の泡泡
07-09 1546
昨天挖了个坑，那么今天的话把坑填上，只要是实现Sort算法和Yolov5-Lite的一个整合。当然先前的话，我们在Yolov3–Tiny的时候，也做了一个，不过当时的话，有几个问题没有解决。第一就是当时以中心点进行预测的，这样做的结果就是如果目标框的波动比较大的话，影响会很大，同时，当时设计是为了应对直线旋转平移这样的运动进行捕捉。所以效果比较差。同时就是对于目标点的匹配不合理。那就是，我是按照，当预测点和识别点进行距离计算，计算当前点的最小距离。
tensorflow报错：``ValueError:No op named NonMaxSuppressionV3 in defined operations.``
u013044310的博客
03-05 4745
在tensorflow上测试一个训练好的pb模型时报错： ValueError:No op named NonMaxSuppressionV3 in defined operations. 排查报错原因，最后发现我的pb模型是在tensorflow1.11版本下训练得到的，而加载这个模型的tensorflow版本是1.6，所以需要将原有低版本tf卸载，进行高版本的安装。 当然可以直接用pip安装，...
c++ 调用tensorflow模型错误
这些个事儿
06-18 1633
1Not found: Op type not registered 'NonMaxSuppressionV3' in binary running on LAPTOP-C34TSEPV. Make sure the Op and Kernel are registered in the binary running in this process. 低版本的tensorflow 调用 高...
非极大值抑制（non-maximum suppression）的理解与实现
05-05 1万+
RCNN 和微软提出的 SPP_net 等著名的目标检测模型，在算法具体的实施过程中，一般都会用到 non-maximum suppress（非最大值抑制，抑制即忽略， 也即忽略那些值（IoU）高于提供的阈值的） 的机制。
native: tensorflow_jni.cc:153 Could not create TensorFlow Graph: Not found: Op type not registered '
zhuiqiuk的专栏
12-02 2512
android 上运行 tensorbox写的图，出现，native: tensorflow_jni.cc:153 Could not create TensorFlow Graph: Not found: Op type not registered 'Reciprocal' 没有解决？
CVPR2019 | 目标检测新文：Generalized Intersection over Union
极市平台的技术博客
03-01 7912
链接 | https://mp.weixin.qq.com/s/6QsyYtEVjavoLfU_lQF1pw 作者 | ywsun 原文| https://zhuanlan.zhihu.com/p/57863810 如有兴趣可以**点击加入极市CV专业微信群**，获取更多高质量干货 论文链接 https://arxiv.org/abs/1902.00963 1.Motivation 包围框回...
【深度学习】目标检测之非最大值抑制算法（Non-max suppression）
zkq_1986的博客
01-03 3038
最终的预测结果仅取IoU（交并比）最大的那个矩形。可以提高YOLO目标检测算法的性能。
非极大值抑制（Non-Maximum-Suppression）
热门推荐
MachineLP的专栏
11-28 2万+
#include #include #include #include // 新版本写在下面文件中： #include //#include "opencv2/features2d/features2d.hpp" #include using namespace std; using namespace cv; void nms( const std::vecto
intersection over union
03-16
交并比（Intersection over Union）是一种用于衡量两个集合重叠程度的指标，通常用于计算目标检测算法的精度。它是通过计算两个集合的交集与并集之比来衡量它们的相似度。在目标检测中，交并比越高，说明检测结果越...
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