NMS(非极大值抑制)实现

  • 先看张图:

NMS算法思路来源于:https://chenzomi12.github.io/2016/12/14/YOLO-nms/

 

  • 算法流程:
  1. 把置信度最高的一个boundingbox(bbox)作为目标,然后对比剩下bbox与目标bbox之间的交叉区域
  2. 如果交叉区域大于设定的阈值,那么在剩下的bbox中去除该bbox(即使该bbox的置信度与目标bbox的置信度一样)—-这个操作就是抑制最大重叠区域
  3. 把第二置信度高的bbox作为目标,重复1、2
  • v1版本:

import numpy as np


def nms(dets, thresh):
  x1 = dets[:, 0]
  y1 = dets[:, 1]
  x2 = dets[:, 2]
  y2 = dets[:, 3]
  score = dets[:, 4]
  
  sort_id_list = score.argsort()[::-1].tolist()
  res = []
  while len(sort_id_list) >= 1:
    i = sort_id_list.pop(0)
    res.append([x1[i], y1[i], x2[i], y2[i], score[i]])
    
    #intersect area left top point(xx1, yy1): xx1 >= x1, yy1 >= y1
    #intersect area right down point(xx2, yy2): xx2 <= x2, yy2 <= y2
    
    xx1 = np.maximum(x1[i], x1[sort_id_list[:]])
    yy1 = np.maximum(y1[i], y1[sort_id_list[:]])
    xx2 = np.minimum(x2[i], x2[sort_id_list[:]])
    yy2 = np.minimum(y2[i], y2[sort_id_list[:]])

    inter_w = np.maximum(0, (xx2 - xx1))
    inter_h = np.maximum(0, (yy2 - yy1))
    intersect = inter_w * inter_h
    
    #iou = intersect area / union; union = box1 + box2 - intersect
    iou = intersect / ((x2[i] - x1[i]) * (y2[i] - y1[i]) +\
    (x2[sort_id_list[:]] - x1[sort_id_list[:]]) * (y2[sort_id_list[:]] - y1[sort_id_list[:]]) -\
    intersect)
    for i in reversed(range(len(sort_id_list))):
      if iou[i] > thresh:
        sort_id_list.pop(i)

  return res
      




if __name__ == "__main__":
  
  dets = np.array([
                  [204, 102, 358, 250, 0.5],
                  [257, 118, 380, 250, 0.7],
                  [280, 135, 400, 250, 0.6],
                  [255, 118, 360, 235, 0.7]
                  ])


  thresh = 0.3
  res = nms(dets, thresh)
  print(res)
  • v2版本:

import numpy as np


def nms(dets, thresh):
  x1 = dets[:, 0]
  y1 = dets[:, 1]
  x2 = dets[:, 2]
  y2 = dets[:, 3]
  score = dets[:, 4]
  
  order = score.argsort()[::-1]
  area = (x2 - x1) * (y2 - y1)
  res = []
  while order.size >= 1:
    i = order[0]
    res.append([x1[i], y1[i], x2[i], y2[i], score[i]])
    
    #intersect area left top point(xx1, yy1): xx1 >= x1, yy1 >= y1
    #intersect area right down point(xx2, yy2): xx2 <= x2, yy2 <= y2
    
    xx1 = np.maximum(x1[i], x1[order[1:]])
    yy1 = np.maximum(y1[i], y1[order[1:]])
    xx2 = np.minimum(x2[i], x2[order[1:]])
    yy2 = np.minimum(y2[i], y2[order[1:]])

    w = np.maximum(0.0, (xx2 - xx1))
    h = np.maximum(0.0, (yy2 - yy1))
    intersect = w * h
    
    #iou = intersect area / union; union = box1 + box2 - intersect
    iou = intersect / (area[i] + area[order[1:]] - intersect)
    
    #update order index;ind +1:because ind is obtain by index [1:]
    ind = np.where(iou <= thresh)[0]
    order = order[ind +1]
    
  return res
      




if __name__ == "__main__":
  
  dets = np.array([
                  [204, 102, 358, 250, 0.5],
                  [257, 118, 380, 250, 0.7],
                  [280, 135, 400, 250, 0.6],
                  [255, 118, 360, 235, 0.7]
                  ])


  thresh = 0.7
  res = nms(dets, thresh)
  print(res)
  • v1 vs v2 启示:

1、能在函数外通过一次计算实现的,尽量不要放到函数内进行多次循环计算,如area。

2、使用python高级库有助于快速实现。

3、np.array 数组本身可以作为另一个np.array数组的索引下标进行数组访问,如order[ind + 1](ind也为np.array数组)

nms非极大值抑制有以下几种方法和改进: 1. 基本的NMS方法是利用得分高的边框来抑制得分低且重叠程度高的边框。这种方法简单有效,但在更高的目标检测需求下存在一些缺点。 2. Soft NMS是一种改进的方法,它通过对重叠框的得分进行一定的衰减,而不是直接抑制掉得分低的边框。这样可以保留一些得分低但可能是真正目标的边框。 3. Softer NMS是Soft NMS的进一步改进,它在计算重叠框的得分衰减时引入了一个可学习的参数。这个参数可以根据具体的数据进行优化,从而更加灵活地调整得分衰减的方式。 4. Adaptive NMS是根据物体密集程度自适应调整NMS阈值的方法。它通过使用卷积神经网络(CNN)来判断人群的密集程度,并根据密集程度决定NMS阈值的大小。 5. IoUNet是一种基于IoU(Intersection over Union)的方法,它通过训练一个神经网络来预测边框之间的IoU值。然后,根据IoU值来判断是否进行非极大值抑制。 综上所述,nms非极大值抑制有基本的NMS方法、Soft NMS、Softer NMS、Adaptive NMS和IoUNet等不同的方法和改进。每种方法都有其特点和适用场景,可以根据具体需求选择合适的方法。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [【目标检测系列】非极大值抑制(NMS)的各类变体汇总](https://blog.csdn.net/weixin_47196664/article/details/106754955)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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