非极大值抑制（non-maximum suppression，NMS）

已于 2022-09-11 22:08:38 修改
阅读量220 收藏
点赞数 1
分类专栏： 洋少的深度学习笔记 文章标签： 深度学习 人工智能 机器学习
于 2022-09-11 22:06:47 首次发布
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_43892462/article/details/126810203
版权

非极大值抑制（non-maximum suppression，NMS）

在进行目标位置预测时，可能会输出许多相似的具有明显重叠的预测边界框，都围绕着同一目标（如下图），此时只需要保留一个锚框即可。那么根据每个锚框预测出的置信度进行选择，只有置信度最高的被保留，其余非极大锚框，就会被删除

出现多个锚框预测结果的图片：
在这里插入图片描述

通过非极大抑制处理后的物体预测图片：
在这里插入图片描述
图片来源：李沐-动⼿学深度学习

是啊洋呀
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Non-Maximum-Suppression:描述非极大值抑制（Non-Maximum-Suppression，NMS）
05-08
Non-Maximum-Suppression **非极大值抑制（Non-Maximum-Suppression，NMS）**是抑制非极大值的元素，可以理解为局部最大搜索。NMS算法在计算机视觉中有广泛应用，特别是目标检测领域。本文将以目标检测举例，讨论NMS算法的实现过程。 TODO: 参考 ：非极大值抑制，包含了matlab，c,，c++，3种实现的代码 ：C++实现 ：Python实现
非极大值抑制（Non-Maximum-Suppression）
08-01
对于有相交的就选取其中置信度最高的一个作为最后结果，对于没相交的就直接保留下来，作为最后结果。
【Pytorch神经网络理论篇】 33 基于图片内容处理的机器视觉：目标检测+图片分割+非极大值抑制+Mask R-CNN模型
小李的研究生学习日记
04-09 7241
基于图片内容的处理任务，主要包括目标检测、图片分割两大任务。 1 目标检测 目标检测任务的精度相对较高，主要是以检测框的方式，找出图片中目标物体所在的位置。目标检测任务的模型运算量相对较小，速度相对较快。 1.1 目标检测任务概述 目标检测任务要求模型能检测出图片中特定的目体，并获得这一目标物体的类别信息和位置信息。 在目标检测任务中，模型的输出是一个列表，列表的每一项用一个数组给出检测出的标物体的类别和位置（常用检测框的坐标表示)。 1.2 目标检测任务模型的分类 1.2.1 单阶段...
锚框的实现-非极大值抑制预测边界框
qq_59841463的博客
11-15 639
非极大值抑制预测边界框
跟李沐学AI—pytorch锚框代码解析—2
qq_34992900的博客
10-12 672
跟李沐学AI–锚框代码解析–2 锚框的实际应用 在训练集中，每一个锚框为一个训练样本，为了训练目标检测模型，需要进行两步对应： 基于IoU将边界框分配给最接近锚框 锚框与类的对应关系 锚框与位置的对应关系，计算偏移量offset 将最接近的真实边界框分配给锚框 若锚框为 A1,A2,A3,…,AnA_1,A_2,A_3,\dots,A_nA1​,A2​,A3​,…,An​，真实边框为B1,B2,B3,…,BmB_1,B_2,B_3,\dots,B_mB1​,B2​,B3​,…,Bm​，其中锚框数
【机器学习】《动手学深度学习 PyTorch版》李沐深度学习笔记（目标检测、锚框）
qq_44832832的博客
12-01 1093
1.锚框的作用对于目标检测任务，有这样一种经典解决方案：遍历输入图像上所有可能的像素框，然后选出正确的目标框，并对位置和大小进行调整就可以完成目标检测任务。这些进行预测的像素框就叫锚框。这些锚框通常都是方形的。同时，为了增加任务成功的几率，通常会在同一位置设置不同宽高比的锚框。2.特征图中的锚框如果按照上述方案不加改变的执行，即使是一张图片所产生的锚框将多到我们难以承受的地步。对于一个224x224的图片，假设每个位置设置3个不同尺寸的先验框，那么就有224x224x3=150528个锚框；
非极大值抑制Non-Maximum Suppression（NMS）
进击的扛把子
03-29 1910
1. 目的 使用NMS目的：提高召回率，但是召回率是“宁肯错杀一千，绝不放过一个”。因此在目标检测中，模型往往会提出远高于实际数量的区域提议（Region Proposal，SSD等one-stage的Anchor也可以看作一种区域提议）。 这就导致最后输出的边界框数量往往远大于实际数量，而这些模型的输出边界框往往是堆叠在一起的。因此，我们需要NMS从堆叠的边框中挑出最好的那个。 2. 何时使用NMS？ 回顾我在Cascade-RCNN中提到的流程： 提议区域 提取特征 目标分类 回归边框 NMS使用.
【深度学习】非极大值抑制Non-Maximum Suppression（NMS）一文搞定理论+多平台实现...
fengdu78的博客
11-28 1713
薰风说Non-Maximum Suppression的翻译是非“极大值”抑制，而不是非“最大值”抑制。这就说明了这个算法的用处：找到局部极大值，并筛除（抑制）邻域内其余的值。这是一个很基...
非极大值抑制（Non-Maximum Suppression，NMS）
苦逼的程序猿
09-19 2992
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...
非极大值抑制(Non-Maximum Suppression)
Techblog of HaoWANG
12-20 7279
1. 什么是非极大值抑制 非极大值抑制，简称为NMS算法，英文为Non-Maximum Suppression。其思想是搜素局部极大值，抑制非极大值元素。NMS算法在不同应用中的具体实现不太一样，但思想是一样的。非极大值抑制，在计算机视觉任务中得到了广泛的应用，例如边缘检测、人脸检测、目标检测（DPM，YOLO，SSD，Faster R-CNN）等。 2. 为什么要用非极大值抑制 以目标检测为例：目标检测的过程中在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，此时我们需要利...
非极大值抑制（Non-Maximum Suppression, NMS）
如果想成为中心，那么就到中心去吧。
04-14 834
1. What 非极大值抑制，简称为NMS算法，英文为Non-Maximum Suppression。其思想是搜素局部最大值，抑制极大值。NMS算法在不同应用中的具体实现不太一样，但思想是一样的。非极大值抑制，常用于边缘检测、目标检测等计算机视觉任务。 2. Why 以目标检测为例：目标检测的过程中在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，此时我们需要利用非极大值抑制找...
python 实现非极大值抑制算法（Non-maximum suppression, NMS）
12-16
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。 算法的作用 当算法对一个目标产生了多个候选框的时候，选择 score 最高的框，并抑制其他对于改目标的候选框 适用...
NMS通用算法_论文《Efficient Non-Maximum Suppression》（中文）
04-09
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。
非极大抑制matlab代码-nms:纳米
06-02
**非极大值抑制（Non-Maximum-Suppression，NMS）**是抑制非极大值的元素，可以理解为局部最大搜索。NMS算法在计算机视觉中有广泛应用，特别是目标检测领域。本文将以目标检测举例，讨论NMS算法的实现过程。 TODO: ...
Canny算子中的非极大值抑制（Non-Maximum Suppression）分析
来都来了，不再学会儿？
11-17 3267
在常见的边缘检测算子或轮廓检测相关算法中都有非极大值抑制这一步，然而对与非极大值抑制在这些边缘检测算子中应用，在理解可能有点似懂非懂。本文将介绍Canny算法中的非极大值抑制，Canny算子中的非极大值抑制是指沿着梯度方向上进行非极大值的抑制。 首先，我们来看看Canny算子中非极大值抑制的一段代码（可以略过）： /* fucntion: non-maximum suppression input...
[数据集][目标检测]伤口检测数据集VOC+YOLO格式2760张1类别
FL1623863129的博客
05-27 416
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。重要说明：大部分是脚本伤口，也有一小部分是其他部分伤口。图片数量(jpg文件个数)：2760。标注数量(xml文件个数)：2760。标注数量(txt文件个数)：2760。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
深度学习之加宽全连接
2401_83576060的博客
05-27 667
在这个模型中，inputs层代表了宽度的特征，而hidden1和hidden2层代表了深度的特征。通过将输入层和第二个隐藏层的输出拼接在一起，模型结合了宽度和深度的特征，以提高模型的预测能力。：optimizer=‘sgd’：这是模型训练时使用的优化器。sgd代表随机梯度下降（Stochastic Gradient Descent），它是一种简单的优化算法，用于在训练过程中更新模型的权重。
AI新时代——【深度学习】驱动的【AIGC大模型】与【机器学习】的创新融合
小李很执着的博客
05-29 1842
深度学习的强大特征提取能力，结合AIGC大模型的生成能力，使得我们能够在图像、文本、音频和视频生成方面实现前所未有的突破。这些模型的训练过程涉及大量的数据和计算资源，通过反复训练和优化，模型可以从数据中学习到复杂的特征和规律。这些模型不仅可以生成连贯的文本和逼真的图像，还可以创作音乐、生成视频、设计图案等，极大地扩展了内容创作的可能性。通过这种方式，用户可以利用GPT-4模型生成各种类型的文本内容，包括新闻文章、故事创作、技术文档等，极大地提升了文本创作的效率和质量。
用于脑肿瘤分割的跨模态深度特征学习| 文献速递-深度学习肿瘤自动分割
最新发布
weixin_38594676的博客
05-29 571
然而，与非常普遍的RGB图像数据不同，用于脑肿瘤分割的医学图像数据在数据规模方面相对较少，但在模态属性方面包含了更丰富的信息。所提出的跨模态深度特征学习框架包括两个学习过程：跨模态特征转换（CMFT）过程和跨模态特征融合（CMFF）过程，分别旨在通过在不同模态数据之间转移知识和融合来自不同模态数据的知识来学习丰富的特征表示。其次，由于复杂的数据结构，直接连接多模态数据以形成网络输入，就像以前的工作中所做的那样，既不是充分利用每个模态数据背后知识的最佳选择，也不是融合来自多模态数据知识的有效策略。
CR-nms非极大值抑制
07-28
CR-NMS（Center-Region Non-Maximum Suppression）是一种非极大值抑制算法，用于在目标检测中进行重叠框的筛选和合并。它的主要思想是基于目标框的中心区域进行非最大值抑制，以保留最具代表性的目标框。 传统的非...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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