NMS和soft-NMS原理和代码实现
NMS
python实现代码：
import numpy as np
import matplotlib.pyplot as pltdef py_cpu_nms(dets, thresh):x1 = dets[:, 0]y1 = dets[:, 1]x2 = dets[:, 2]y2 = dets[:, 3]scores = dets[:, 4]areas = (x2-x1+1)*(y2-y1+1)res = []index = scores.argsort()[::-1]while index.size>0:i = index[0]res.append(i)x11 = np.maximum(x1[i],x1[index[1:]])y11 = np.maximum(y1[i], y1[index[1:]])x22 = np.minimum(x2[i],x2[index[1:]])y22 = np.minimum(y2[i],y2[index[1:]])w = np.maximum(0,x22-x11+1)h = np.maximum(0,y22-y11+1)overlaps = w * hiou = overlaps/(areas[i]+areas[index[1:]]-overlaps)idx = np.where(iou<=thresh)[0]index = index[idx+1]print(res)return resdef plot_boxs(box,c):x1 = box[:, 0]y1 = box[:, 1]x2 = box[:, 2]y2 = box[:, 3]plt.plot([x1,x2],[y1,y1],c)plt.plot([x1,x2],[y2,y2],c)plt.plot([x1,x1],[y1,y2],c)plt.plot([x2,x2],[y1,y2],c)if __name__ == '__main__':boxes = np.array([[100, 100, 210, 210, 0.72],[250, 250, 420, 420, 0.8],[220, 220, 320, 330, 0.92],[230, 240, 325, 330, 0.81],[220, 230, 315, 340, 0.9]])plt.figure()ax1 = plt.subplot(121)ax2 = plt.subplot(122)plt.sca(ax1)plot_boxs(boxes,'k')res = py_cpu_nms(boxes,0.7)plt.sca(ax2)plot_boxs(boxes[res],'r')plt.show()
soft-NMS
论文(CVPR2017)： 《Improving Object Detection With One Line of Code》
Soft-NMS的优势
- 它仅需要对传统的NMS算法进行简单的改动且不增额外的参数。该Soft-NMS算法在标准数据集PASCAL - VOC2007（较R-FCN和Faster-RCNN提升1.7%）和MS-COCO（较R-FCN提升1.3%，较Faster-RCNN提升1.1%）上均有提升。
- Soft-NMS具有与传统NMS相同的算法复杂度，使用高效。
- Soft-NMS不需要额外的训练，并易于实现，它可以轻松的被集成到任何物体检测流程中。
原理
见下图伪代码，整个改进只需要使用绿色虚线表示的Soft-NMS替换红色虚线表示的NMS。
B集合是检测到的所有建议框，S集合是各个建议框得分（分数是指建议框包含物体的可能性大小），Nt是指手动设置的阈值。M为当前得分最高框，bi 为待处理框。
- f(iou(M,bi))权重函数的形式
原来的NMS可以描述如下：将IoU大于阈值的窗口的得分全部置为0。
Soft-NMS的改进有两种形式，一种是线性加权的：
一种是高斯加权的：
综上，soft-nms的核心就是降低置信度。比如一张人脸上有3个重叠的bounding box, 置信度分别为0.9, 0.7, 0.85 。选择得分最高的建议框，经过第一次处理过后，得分依次变成了0.9, 0.65, 0.55（此时将得分最高的保存在D中）。这时候再选择第二个bounding box作为得分最高的，处理后置信度分别为0.65, 0.45（这时候3个框也都还在），最后选择第三个，处理后得分不改变。最终经过soft-nms抑制后的三个框的置信度分别为0.9, 0.65, 0.45。最后设置阈值，将得分si小于阈值的去掉。
效果示例
假如还检测出了3号框，而我们的最终目标是检测出1号和2号框，并且剔除3号框，原始的nms只会检测出一个1号框并剔除2号框和3号框，而softnms算法可以对1、2、3号检测狂进行置信度排序，可以知道这三个框的置信度从大到小的顺序依次为：1-》2-》3（由于是使用了惩罚，IoU越大，得分越低，所有可以获得这种大小关系），如果我们再选择了合适的置信度阈值，就可以保留1号和2号，同时剔除3号，实现我们的功能。
但是，这里也有一个问题就是置信度的阈值如何选择，作者在这里依然使用手工设置的值，依然存在很大的局限性，所以该算法依然存在改进的空间。
参考：https://zhuanlan.zhihu.com/p/41046620
nms和soft-nms代码对比
import matplotlib.pyplot as plt
import numpy as npboxes = np.array([[100, 100, 210, 210, 0.1],[250, 250, 420, 420, 0.8],[220, 220, 320, 330, 0.92],[100, 100, 240, 240, 0.72],[230, 240, 325, 330, 0.81],[220, 230, 315, 340, 0.9]]) # (x1,y1,x2,y2,score)def nms(boxes, threshold):x1 = boxes[:, 0]y1 = boxes[:, 1]x2 = boxes[:, 2]y2 = boxes[:, 3]scores = boxes[:, 4]areas = (x2 - x1 + 1) * (y2 - y1 + 1)keep = []idxs = scores.argsort()[::-1] # 从大到下排序,argsort函数返回从小到大的索引,[::-1]反序变成从大到小while (idxs.size > 0):i = idxs[0]keep.append(i)x11 = np.maximum(x1[i], x1[idxs[1:]])y11 = np.maximum(y1[i], y1[idxs[1:]])x22 = np.minimum(x2[i], y2[idxs[1:]])y22 = np.minimum(y2[i], y2[idxs[1:]])w = np.maximum(0, x22 - x11 + 1)h = np.maximum(0, y22 - y11 + 1)overlaps = w * hious = overlaps / (areas[i] + areas[idxs[1:]] - overlaps)idxs2 = np.where(ious < threshold)[0] # np.where函数idxs = idxs[idxs2 + 1] # 注意这个+1return keep#
def soft_nms(boxes, sigma=0.5, threshold1=0.7, threshold2=0.1, method=1):'''paper:Improving Object Detection With One Line of Code'''N = boxes.shape[0]pos = 0maxscore = 0maxpos = 0for i in range(N):maxscore = boxes[i, 4]maxpos = itx1 = boxes[i, 0]ty1 = boxes[i, 1]tx2 = boxes[i, 2]ty2 = boxes[i, 3]ts = boxes[i, 4]pos = i + 1# 得到评分最高的boxwhile pos < N:if maxscore < boxes[pos, 4]:maxscore = boxes[pos, 4]maxpos = pospos = pos + 1# 交换第i个box和评分最高的box,将评分最高的box放到第i个位置boxes[i, 0] = boxes[maxpos, 0]boxes[i, 1] = boxes[maxpos, 1]boxes[i, 2] = boxes[maxpos, 2]boxes[i, 3] = boxes[maxpos, 3]boxes[i, 4] = boxes[maxpos, 4]boxes[maxpos, 0] = tx1boxes[maxpos, 1] = ty1boxes[maxpos, 2] = tx2boxes[maxpos, 3] = ty2boxes[maxpos, 4] = tstx1 = boxes[i, 0]ty1 = boxes[i, 1]tx2 = boxes[i, 2]ty2 = boxes[i, 3]ts = boxes[i, 4]pos = i + 1# softNMS迭代while pos < N:x1 = boxes[pos, 0]y1 = boxes[pos, 1]x2 = boxes[pos, 2]y2 = boxes[pos, 3]s = boxes[pos, 4]area = (x2 - x1 + 1) * (y2 - y1 + 1)iw = (min(tx2, x2) - max(tx1, x1) + 1)if iw > 0:ih = (min(ty2, y2) - max(ty1, y1) + 1)if ih > 0:uinon = float((tx2 - tx1 + 1) *(ty2 - ty1 + 1) + area - iw * ih)iou = iw * ih / uinon # 计算iouif method == 1: # 线性更新分数if iou > threshold1:weight = 1 - iouelse:weight = 1elif method == 2: # 高斯权重weight = np.exp(-(iou * iou) / sigma)else: # 传统 NMSif iou > threshold1:weight = 0else:weight = 1boxes[pos, 4] = weight * boxes[pos, 4] # 根据和最高分数box的iou来更新分数# 如果box分数太低，舍弃(把他放到最后，同时N-1)if boxes[pos, 4] < threshold2:boxes[pos, 0] = boxes[N - 1, 0]boxes[pos, 1] = boxes[N - 1, 1]boxes[pos, 2] = boxes[N - 1, 2]boxes[pos, 3] = boxes[N - 1, 3]boxes[pos, 4] = boxes[N - 1, 4]N = N - 1 # 注意这里N改变pos = pos - 1pos = pos + 1keep = [i for i in range(N)]return keep
def plot_boxs(box,c):x1 = box[:, 0]y1 = box[:, 1]x2 = box[:, 2]y2 = box[:, 3]plt.plot([x1,x2],[y1,y1],c)plt.plot([x1,x2],[y2,y2],c)plt.plot([x1,x1],[y1,y2],c)plt.plot([x2,x2],[y1,y2],c)keep1 = nms(boxes, 0.7)
keep2 = soft_nms(boxes)
print(keep1,'|||',keep2)
print("end")
plt.figure()
ax1 = plt.subplot(131)
ax2 = plt.subplot(132)
ax3 = plt.subplot(133)
plt.sca(ax1)
plot_boxs(boxes,'k')plt.sca(ax2)
plot_boxs(boxes[keep1],'k')plt.sca(ax3)
plot_boxs(boxes[keep2],'r')
plt.show()
结果
NMS和soft-NMS原理和代码实现相关推荐
- NMS、soft NMS、softer NMS与IOU-Guided NMS
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 NMS.soft NMS.softer NMS与IOU-Guided NMS 一.NMS 二.soft NMS 三.softer NM ...
- 目标检测中的NMS，soft NMS，softer NMS，Weighted Boxes Fusion
NMS 非最大值抑制算法,诞生至少50年了. 在经典的两阶段目标检测算法中,为了提高对于目标的召回率,在anchor阶段会生成密密麻麻的anchor框. 所以在后处理的时候,会存在着很多冗余框对应着同 ...
- NMS与Soft NMS
1.NMS 非最大抑制(Non-maximum suppression, NMS)是物体检测流程中重要的组成部分.NMS算法的大致思想:对于有重叠的候选框:若大于规定阈值(某一提前设定的置信度)则删除 ...
- nms修改为soft nms
nms修改为soft nms 一,NMS与soft nms原理 先放一张论文中的图 在对上述图片中的目标进行检测过程中,使用非极大值抑制(NMS)进行筛选时只能获取到得分最高的框(得分0.95),对于 ...
- 交并比 (IoU), mAP (mean Average Precision), 非极大值抑制 (NMS, Soft NMS, Softer NMS, IoU-Net)
目录 目标检测的评价指标 交并比 (Intersection of Union, IoU) mAP (mean Average Precision) 其他指标 非极大值抑制 (Non-Maximum ...
- nms,soft nms算法理解
从上面这张图可以看出来nms和soft nms的算法原理: ** 经典nms的原理 **设定目标框的置信度阈值,常用的阈值是0.5左右 根据置信度降序排列候选框列表 选取置信度最高的框A添加到输出列表 ...
- Soft NMS算法笔记
原博客地址:https://blog.csdn.net/u014380165/article/details/79502197#comments 提出问题 如下图,测算法本来应该输出两个框,但是传统的 ...
- 卷积在计算机中实现＋pool作用+数据预处理目的＋特征归一化+理解BN+感受野理解与计算+梯度回传+NMS/soft NMS
一．卷积在计算机中实现 1.卷积 将其存入内存当中再操作(按照"行先序"): 这样就造成混乱． 故需要im2col操作,将特征图转换成庞大的矩阵来进行卷积计算,利用矩阵加速来实现, ...
- 【目标检测】NMS和soft-NMS详解及代码实现
1. NMS 1.1. NMS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,用于目标检测中,就是提取置信度高的目标检测框,而抑制置信 ...
- Soft NMS论文笔记
论文:Improving Object Detection With One Line of Code. Navaneeth Bodla*, Bharat Singh*, Rama Chellappa ...
最新文章
- 分享：给入职新人的IDEA培训教程。
- linux脚本做分数计算,shell脚本，计算学生分数的题目。
- 我的IT历程，希望给大家点经验。
- 在AMD-M上安装x86 OS.X.10.4.3失败
- mysql忘记密码可以卸载吗_mysql忘记密码，修改密码重新安装的一些问题
- redis on windows
- PyTorch基础(part1)
- php获取下载地址,php获取当前页面完整URL地址函数
- 用火狐录制脚本为空_功能测试——链接测试amp;脚本功能
- Web 前端自学很苦？来，手把手教你，拿下前端！
- linux下amd超频工具,AMD锐龙超频民间工具Work Tool：可单独超CCX模块
- JavaScript学习总结（8）——JS实用技巧总结
- JOSN的stringify()和parse()方法
- Centos7 安装Oracle JDK1.8和OpenJDK 1.8
- Android——内存调试
- dqkg的命令用法_CADk中常用命令使用方法及说明
- python+opencv+图像几何变换（图片缩放、剪切、位移、镜像，放射变换，旋转）
- RPGViewer - 档案文件格式概述
- 智慧水务ZWS云平台方案，共促水务行业数字化建设
- zeppelin--使用D-Tale，针对pandas结构化数据进行可视化探索