非最大值抑制（Non-Maximum Supression,NMS）的原理

最新推荐文章于 2024-06-27 18:03:04 发布

一只特立独行的老猫

最新推荐文章于 2024-06-27 18:03:04 发布

阅读量5.7k

点赞数 2

文章标签： NMS 非最大值抑制

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/weixin_42285271/article/details/87923834

版权

非最大值抑制（NMS）用于解决卷积滑窗检测算法中可能出现的问题，如YOLO网络在检测物体时可能出现多个边界框。通过选择概率最高的边界框并抑制与之IoU超过0.5的其他框，NMS能找到最佳的检测结果。在多分类问题中，需要对每个类别单独应用NMS。算法步骤包括：筛选出Pc概率大于阈值的单元格，选取概率最大的边界框作为预测输出，并抑制与之IoU高的其他框，直到所有单元格都被处理。

摘要由CSDN通过智能技术生成

参考吴恩达深度学习课程总结
非最大值抑制，顾名思义抑制最大值之外的元素，可以理解为局部最优。在这里插入图片描述
卷积滑窗检测算法，在实际的运行中，例如YOLO网络中，可能会遇到一个问题，如果YOLO网络中将原始图像分的很精细， $S\times S$ 中S的值很大，如图所示为一个 $19\times 19$ 的图片，在检测中运行卷积滑窗检测算法后，可能不止一个单元格认为其含有预测的物体，那么如何找到最合适的结果呢？这时就需要使用非最大值抑制算法。
假设物体的分类总共有三种，首先每个单元格会返回一个预测概率值 $P_c$ 或者（

最低0.47元/天解锁文章

一只特立独行的老猫

关注

2
点赞
踩
15

收藏

觉得还不错? 一键收藏
3
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

一只特立独行的老猫 CSDN认证博客专家 CSDN认证企业博客

码龄6年

17: 原创

34万+: 周排名

46万+: 总排名

2万+: 访问

: 等级

720: 积分

6: 粉丝

19: 获赞

260: 评论

87: 收藏

私信

关注

热门文章

最新评论

卷积滑动窗口检测算法原理
踏碎琼瑶: 请问博主有代码实现吗
卷积滑动窗口检测算法原理
guguai56: [code=python] if training: optimizer.zero_grad() self.state['loss'].backward() nn.utils.clip_grad_norm(model.parameters(), max_norm=10.0) optimizer.step( [/code]
卷积滑动窗口检测算法原理
guguai56: [code=html] <> [/code]
目标检测中YOLO网络模型的介绍
祥瑞Coding: #无监督学习-聚类 K-means聚类算法 #以k为参数，把n个对象分为k个簇，使簇内具有较高相似度，簇间相似度较低 #1.随机选择k个点作为初始聚类中心；2.根据剩下点与聚类中心的距离(默认就是欧氏距离)，归为最近的簇； #3.对每个簇，计算所有点的均值作为新聚类中心；4.重复2、3直至聚类中心不变 #31省1999年平均每人全年支出，分为衣、食等八个变量，利用已有数据，对其进行聚类(对各城市消费等级进行分类)。 #技术路线：sklearn.cluster.Kmeans #1.建立工程，导入sklearn相关包 import numpy as np from sklearn.cluster import KMeans #2.加载数据，创建K-means算法实例，并进行训练，获得标签 #加载数据方法定义 def loadData(filepath): fr=open(filepath,'r+') #读写方式打开 lines=fr.readlines() #一行一行读入 retData=[] retCityName=[] for line in lines: items=line.strip().split(',') #去掉文本中空格并拆分元素 retCityName.append(items[0]) #建立一个城市名称的列表[,,,...] retData.append([float(items[i]) for i in range(1,len(items))])#建立一个二维列表，每个城市数据为一个内层列表[[],[],[]...] return retData,retCityName #主程序 if __name__=='__main__': data,cityName=loadData("city.txt") #注意loadData的用法:会一行一行的处理数据，并分别返回响应值 #print(cityName,data)二者为列表类型 km=KMeans(n_clusters=3) #指定聚类中心个数(消费水平级数)，默认最大迭代次数max_iter为300 label=km.fit_predict
目标检测中YOLO网络模型的介绍
祥瑞Coding: #无监督学习-聚类 K-means聚类算法 #以k为参数，把n个对象分为k个簇，使簇内具有较高相似度，簇间相似度较低 #1.随机选择k个点作为初始聚类中心；2.根据剩下点与聚类中心的距离(默认就是欧氏距离)，归为最近的簇； #3.对每个簇，计算所有点的均值作为新聚类中心；4.重复2、3直至聚类中心不变 #31省1999年平均每人全年支出，分为衣、食等八个变量，利用已有数据，对其进行聚类(对各城市消费等级进行分类)。 #技术路线：sklearn.cluster.Kmeans #1.建立工程，导入sklearn相关包 import numpy as np from sklearn.cluster import KMeans #2.加载数据，创建K-means算法实例，并进行训练，获得标签 #加载数据方法定义 def loadData(filepath): fr=open(filepath,'r+') #读写方式打开 lines=fr.readlines() #一行一行读入 retData=[] retCityName=[] for line in lines: items=line.strip().split(',') #去掉文本中空格并拆分元素 retCityName.append(items[0]) #建立一个城市名称的列表[,,,...] retData.append([float(items[i]) for i in range(1,len(items))])#建立一个二维列表，每个城市数据为一个内层列表[[],[],[]...] return retData,retCityName #主程序 if __name__=='__main__': data,cityName=loadData("city.txt") #注意loadData的用法:会一行一行的处理数据，并分别返回响应值 #print(cityName,data)二者为列表类型 km=KMeans(n_clusters=3) #指定聚类中心个数(消费水平级数)，默认最大迭代次数max_iter为300 label=km.fit_predict

最新文章

目录

评论 3

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。