深度學習: Non-Maximum Supression (非極大值抑制)
NMS (Non-Maximum Supression)
NMS來 選取那些鄰域裡分數最高的視窗,同時抑制那些分數低的視窗 。
由 論文可見,在 Faster R-CNN 中,NMS演算法被放在RPN網路的末段,用於 協助 剔除低得分的box:
Note:
-
所有NMS演算法都是在每個類內分別獨立進行NMS。
-
NMS演算法略顯粗暴,直接將和得分最大的box的IOU大於某個閾值的box的 得分置零 或者 丟棄box 。後續的改良版——Soft NMS,改用稍低一點的分數 ( score*(1-iou) ) 來代替原有的分數,而不是直接置零。
在 Faster R-CNN 中位於下圖中的 綠框
位置:
Test
我經過動手實驗,成功復現了 NMS 的處理過程。
未經過NMS之前的bbox分佈:
經過NMS篩選後的保留的bbox分佈:
Code
效果圖所對應的原始碼如下:
# coding=utf-8
import numpy as np
import cv2
def nms(bboxs, thresh):
x1, y1, x2, y2, scores = list([bboxs[:, i] for i in range(len(bboxs[0]))])
areas = (x2 - x1 + 1) * (y2 - y1 + 1) # 每塊 bbox 面積
order = scores.argsort()[::-1] # 所有 bbox 根據置信度 進行 index排序
keep = [] # 篩選後 要留下來的 bbox
while order.size > 0:
i = order[0] # 置信度最高的bbox 的 index
keep.append(i) # 先 留下 剩下的bbox 中 置信度最高的bbox 的index
# 選擇大於x1,y1和小於x2,y2的區域
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:]])
# 當前bbox 與 每個剩餘的 bbox 分別的 重疊區域
w = np.maximum(0.0, xx2 - xx1 + 1)
h = np.maximum(0.0, yy2 - yy1 + 1)
inter = w * h # [ 12272. 11716. 13566. 0. 0.] [ 8181.]
# 交叉區域面積 / (bbox + 某區域面積 - 交叉區域面積)
overlap = inter / (areas[i] + areas[order[1:]] - inter) # [ 0.73362028 0.62279396 0.52134814 0. 0. ] [ 0.61832061]
# 保留交集小於一定閾值的boundingbox
idxs = np.where(overlap <= thresh)[0] # [3 4] []
order = order[idxs + 1] # [0 3] []
return keep
def draw_bbox(bboxs, pic_name):
pic = np.zeros((850, 850), np.uint8)
for bbox in bboxs:
x1, y1, x2, y2 = map(int, bbox[:-1])
pic = cv2.rectangle(pic, (x1, y1), (x2, y2), (255, 0, 0), 2)
cv2.imwrite('./{}.jpg'.format(pic_name), pic)
if __name__ == "__main__":
bboxs = np.array([
[720, 690, 820, 800, 0.5],
[204, 102, 358, 250, 0.5],
[257, 118, 380, 250, 0.8],
[700, 700, 800, 800, 0.4],
[280, 135, 400, 250, 0.7],
[255, 118, 360, 235, 0.7]])
thresh = 0.3
draw_bbox(bboxs, "Before_NMS")
keep = nms(bboxs, thresh) # [2, 0]
draw_bbox(bboxs[keep], "After_NMS")
演算法缺陷
NMS演算法的 核心思想 是:在 假設 例項之間均為不重疊或低重疊的 前提 下,去除高重疊bbox。
該核心思想也導致了NMS不可避免地會對 高重疊的例項 產生 漏檢 。
相關文章
- pytorch實現yolov3(4) 非極大值抑制nmsPyTorchYOLO
- c++版的NMS(非極大抑制)實現C++
- 從極大似然估計的角度理解深度學習中loss函式深度學習函式
- 深度學習引擎的終極形態是什麼?深度學習
- 學習筆記【深度學習2】:AI、機器學習、表示學習、深度學習,第一次大衰退筆記深度學習AI機器學習
- 深度學習(一)深度學習學習資料深度學習
- 【深度學習】深度解讀:深度學習在IoT大資料和流分析中的應用深度學習大資料
- 八大深度學習最佳實踐深度學習
- 大資料與深度學習區別大資料深度學習
- 深度學習+深度強化學習+遷移學習【研修】深度學習強化學習遷移學習
- 機器學習、深度學習、強化學習課程超級大列表!機器學習深度學習強化學習
- 深度學習及深度強化學習研修深度學習強化學習
- 深度學習並非萬能:你需要避免這三個坑深度學習
- 【深度學習基礎-13】非線性迴歸 logistic regression深度學習
- 深度學習學習框架深度學習框架
- 深度學習深度學習
- ####深度學習深度學習
- 深度 學習
- MIT研究員警告:深度學習已經接近計算極限MIT深度學習
- 10 大線上免費深度學習課程深度學習
- 深度學習及深度強化學習應用深度學習強化學習
- 深度學習:隨機值不可思議的有效性深度學習隨機
- 深度學習侷限何在?圖網路的出現並非偶然深度學習
- 人人都能用的深度學習:當前三大自動化深度學習平臺簡介深度學習
- 讀寫給大家的AI極簡史筆記03深度學習AI筆記深度學習
- 讀懂深度學習,走進“深度學習+”階段深度學習
- 深度學習——學習目錄——學習中……深度學習
- 2018深度學習倫敦大會深度學習
- Github上的十大深度學習專案Github深度學習
- 重學前端-程劭非-極客時間前端
- MySQL深度學習MySql深度學習
- 深度學習模型深度學習模型
- 深度學習《StarGAN》深度學習
- 深度學習《patchGAN》深度學習
- 深度學習《CycleGAN》深度學習
- 深度學習-LSTM深度學習
- 深度學習概念深度學習
- 深度學習學習7步驟深度學習