【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》

这篇具有很好参考价值的文章主要介绍了【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms

ICCV-2017



1 Background and Motivation

NMS 是许多目标检测算法重要的步骤之一

【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms

NMS 的缺点,if an object lies within the predefined overlap threshold, it
leads to a miss.(sets the score for neighboring detections to zero)

【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms
Intuitively, if a bounding box has a very high overlap with M M M(maximum score), it should be assigned a very low score, while if it has a low overlap, it can maintain its original detection score.

作者对 NMS 进行了改进

2 Related Work

NMS first employed in edge detection techniques

3 Advantages / Contributions

  • NMS 基础上提出 Soft-NMS,not require any extra training and is simple to implement
  • obtain consistent improvements for the coco-style mAP metric on
    standard datasets like PASCALVOC2007 (1.7% for both R-FCN and Faster-RCNN) and MS-COCO

4 Method

NMS 与 maximum score box 的 IoU 大于阈值的都抑制为了 0

【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms

全抑制为0,容易漏检,NMS should take the following conditions into account,

【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms
NMS 的阈值越高,越容易误检,越低约容易漏检

高 NMS 阈值情况下,mAP 反而会下降,因为 the increase in false positives would be much higher than the increase in true positives for this case because the number of objects is typically much smaller than the number of RoIs generated by a detector.

soft-NMS 大于阈值的分数降低

【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms
a list of detection boxes B B B with scores S S S.
maximum score M M M
the set of final detections D D D

suppressing all nearby detection boxes with a low N t N_t Nt would increase the miss-rate.

其中 Rescoring Functions f ( i o u ( M , b i ) ) f(iou(M, b_i)) f(iou(M,bi)) 的形式有如下两种

(1)非连续的(not continuous)
【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms
与最高分box 的 IoU 越大,分数降得更多(误检的概率比较大),IoU 越小,分数降的越少

IoU 等于 N t N_t Nt 的时候,值不一样

(2)连续的
【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms
计算复杂度同 traditional NMS

also a greedy algorithm and does not find the globally optimal re-scoring of detection boxes.

不一定局限于指数形式,也可以是 Gompertz function

【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms

5 Experiments

5.1 Results

N t N_t Nt to 0.3, σ \sigma σ to 0.5
【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms

【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms

Soft-NMS has more potential to improve recall at higher O t O_t Ot(detection evaluation threshold).

【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms

5.2 Sensitivity Analysis

试试 soft-NMS 超参数 σ \sigma σ 的敏感性

【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms

5.3 When does Soft-NMS work better?

(1)Localization Performance

千言万语,不如下面一个表来的直接
【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms
even when we obtain better performance at higher O t O_t Ot, performance at lower O t O_t Ot does not drop.

low values of σ \sigma σ perform better at lower O t O_t Ot and higher values of sigma perform better at higher O t O_t Ot.

(2)Precision vs Recall

【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms

5.4 Qualitative Results

【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms

a large wide bounding box spanning multiple people is suppressed because it had a small overlap with multiple detection boxes with a higher score than it.

【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms
【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms
【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》,CNN,目标检测,目标跟踪,人工智能,soft nms

6 Conclusion(own)

soft-NMS也是一种贪心算法,并不能保证找到全局最优的检测框分数重置。文章来源地址https://www.toymoban.com/news/detail-600326.html

到了这里,关于【Soft NMS】《Soft-NMS – Improving Object Detection With One Line of Code》的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • [论文笔记] CLRerNet: Improving Confidence of Lane Detection with LaneIoU

    Honda, Hiroto, and Yusuke Uchida. “CLRerNet: Improving Confidence of Lane Detection with LaneIoU.” arXiv preprint arXiv:2305.08366 (2023). 2023.05 出的一篇车道线检测的文章, 效果在CULane, CurveLanes SOTA 这篇论文在CLRNet基础上, 使用提出的LaneIoU代替CLRNet论文中LineIoU, 在两个数据集上取得了SOTA效果 论文其他部

    2024年02月15日
    浏览(45)
  • TOOD Task-aligned One-stage Object Detection 论文学习

    目标检测通过多任务学习的方式,协同优化目标的分类和定位。分类任务会学习目标的判别特征,关注于目标的显著性或关键区域,而定位任务则学习准确地定位目标的边界。因为定位和分类的学习机制不同,这俩任务学到的特征分布也不同。当这两个分支做预测时,会产生

    2024年02月15日
    浏览(39)
  • 图像 检测 - FCOS: Fully Convolutional One-Stage Object Detection (ICCV 2019)

    声明:此翻译仅为个人学习记录 文章信息 标题: FCOS: Fully Convolutional One-Stage Object Detection (ICCV 2019) 作者: Zhi Tian, Chunhua Shen*, Hao Chen, Tong He (*Corresponding author) 文章链接:https://openaccess.thecvf.com/content_ICCV_2019/papers/Tian_FCOS_Fully_Convolutional_One-Stage_Object_Detection_ICCV_2019_paper.pdf 文章代

    2024年02月15日
    浏览(48)
  • FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection

    Paper name FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection Paper Reading Note URL: https://arxiv.org/pdf/2104.10956.pdf 基于 Fcos 改进的 3d 检测方案,在 NeurIPS 2020 的 nuScenes 3d 检测比赛上取得了第一名成绩 Fcos3d 方案 将 7-DoF 3D 目标解耦为 2D 和 3D 的属性 考虑对象的二维比例,将对象分布到

    2023年04月08日
    浏览(66)
  • 论文精读:《FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection》

    单目三维目标检测具有成本低的优点,是自动驾驶的一项重要任务。 由于其固有的不适定特性,其主要表现为缺乏深度信息,因而比传统的二维情形更具挑 战性。 二维检测的最新进展为更好地解决这一问题提供了机会。 然而,使一个通用的自适应二维探测器在这种三维任务

    2024年02月06日
    浏览(52)
  • Monocular 3D Object Detection with Depth from Motion 论文学习

    论文链接:Monocular 3D Object Detection with Depth from Motion 从单目输入感知 3D 目标对于自动驾驶非常重要,因为单目 3D 的成本要比多传感器的方案低许多。但单目方法很难取得令人满意的效果,因为单张图像并没有提供任何关于深度的信息,该方案实现起来非常困难。 Two view 场景

    2024年02月17日
    浏览(40)
  • End-to-End Object Detection with Transformers(论文解析)

    我们提出了一种将目标检测视为直接集合预测问题的新方法。我们的方法简化了检测流程,有效地消除了许多手工设计的组件的需求,如显式编码我们关于任务的先验知识的非极大值抑制过程或锚点生成。新框架的主要要素,称为DEtection TRansformer或DETR,包括一个基于集合的全

    2024年02月09日
    浏览(44)
  • DETR-《End-to-End Object Detection with Transformers》论文精读笔记

    End-to-End Object Detection with Transformers 参考:跟着李沐学AI-DETR 论文精读【论文精读】 在摘要部分作者,主要说明了如下几点: DETR是一个端到端(end-to-end)框架,释放了传统基于CNN框架的一阶段(YOLO等)、二阶段(FasterRCNN等)目标检测器中需要大量的人工参与的步骤,例如:

    2024年02月11日
    浏览(52)
  • PolarFormer:Multi-camera 3D Object Detection with Polar Transformer——论文笔记

    参考代码:PolarFormer 介绍:在仓库RoboBEV中总结了现有的一些bev感知算法在不同输入情况下的鲁棒性,在这些感知算法中PolarFormer拥有较为不错的泛化性能。这个算法的思想是将之前由直角坐标系栅格化构建bev网格,转换到由极坐标构建栅格化bev网格,这样的bev特征构建方法其

    2024年02月11日
    浏览(53)
  • MonoDTR Monocular 3D Object Detection with Depth-Aware Transformer 论文学习

    论文链接:MonoDTR: Monocular 3D Object Detection with Depth-Aware Transformer 单目 3D 目标检测对于自动驾驶很重要,也很有挑战性。 现有的一些方法通过深度预测网络得到深度信息,然后辅助 3D 检测,这造成计算量激增,不适合实际部署。此外,如果深度先验不准确的话,也会影响算法

    2024年02月17日
    浏览(41)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包