西丽建设网站,网站建设费算费用还是固定资产,网络运维工作总结,怎么样做淘宝优惠券网站NMS和soft-nms算法
nms #xff1a;iou阈值的作用#xff0c;如果iou大于阈值#xff0c;则认为是两个框是同一个物体#xff0c;所以会删除分数小的框。
https://blog.csdn.net/eurus_/article/details/84251975
以此图为例#xff0c;传统的NMS#xff0c;首先选定一…NMS和soft-nms算法
nms iou阈值的作用如果iou大于阈值则认为是两个框是同一个物体所以会删除分数小的框。
https://blog.csdn.net/eurus_/article/details/84251975
以此图为例传统的NMS首先选定一个IOU阈值例如为0.25。然后将所有4个窗口bounding box按照得分由高到低排序。然后选中得分最高的窗口遍历计算剩余的3个窗口与该窗口的重叠面积比例IOU如果IOU大于阈值0.25,则将窗口删除。然后再从剩余的窗口中选中一个得分最高的重复上述过程。直至所有窗口都被处理。
假如0.25是一个不错的阈值那么我们可以得到比较好的结果如下图
如果我们的IOU阈值设定的特别小比如说0.1。那么2个人的窗口会被归为一个人而被融合。得到下面的错误结果
如果我们的IOU阈值设定的特别大比如说0.6。那么又可能得到下面的错误结果
soft nms 对多个小目标效果不好
https://blog.csdn.net/mooneve/article/details/100537621
import numpy as npdef soft_nms(dets, sigma0.5, Nt0.5, method2, threshold0.1):box_len len(dets) # box的个数for i in range(box_len):tmpx1, tmpy1, tmpx2, tmpy2, ts dets[i, 0], dets[i, 1], dets[i, 2], dets[i, 3], dets[i, 4]max_pos imax_scores ts# get max boxpos i1while pos box_len:if max_scores dets[pos, 4]:max_scores dets[pos, 4]max_pos pospos 1# add max box as a detectiondets[i, :] dets[max_pos, :]# swap ith box with position of max boxdets[max_pos, 0] tmpx1dets[max_pos, 1] tmpy1dets[max_pos, 2] tmpx2dets[max_pos, 3] tmpy2dets[max_pos, 4] ts# 将置信度最高的 box 赋给临时变量tmpx1, tmpy1, tmpx2, tmpy2, ts dets[i, 0], dets[i, 1], dets[i, 2], dets[i, 3], dets[i, 4]pos i1# NMS iterations, note that box_len changes if detection boxes fall below thresholdwhile pos box_len:x1, y1, x2, y2 dets[pos, 0], dets[pos, 1], dets[pos, 2], dets[pos, 3]area (x2 - x1 1)*(y2 - y1 1)iw (min(tmpx2, x2) - max(tmpx1, x1) 1)ih (min(tmpy2, y2) - max(tmpy1, y1) 1)if iw 0 and ih 0:overlaps iw * ihious overlaps / ((tmpx2 - tmpx1 1) * (tmpy2 - tmpy1 1) area - overlaps)if method 1: # 线性if ious Nt:weight 1 - iouselse:weight 1elif method 2: # gaussianweight np.exp(-(ious**2) / sigma)else: # original NMSif ious Nt:weight 0else:weight 1# 赋予该box新的置信度dets[pos, 4] weight * dets[pos, 4]# 如果box得分低于阈值thresh则通过与最后一个框交换来丢弃该框if dets[pos, 4] threshold:dets[pos, 0] dets[box_len-1, 0]dets[pos, 1] dets[box_len-1, 1]dets[pos, 2] dets[box_len-1, 2]dets[pos, 3] dets[box_len-1, 3]dets[pos, 4] dets[box_len-1, 4]box_len box_len-1pos pos-1pos 1keep [i for i in range(box_len)]return keepif __name__ __main__:dets [[0, 0, 100, 101, 0.9], [5, 6, 90, 110, 0.7], [17, 19, 80, 120, 0.8], [10, 8, 115, 105, 0.5]]dets np.array(dets)result soft_nms(dets, 0.5)print(result)
原文https://www.cnblogs.com/zf-blog/p/8532228.html
这篇也有代码
https://blog.csdn.net/e01528/article/details/80800122
https://www.cnblogs.com/makefile/p/nms.html
这个是需要编译的
http://www.cnblogs.com/king-lps/p/9031568.html
非极大值抑制算法(nms)
1. 算法原理 非极大值抑制算法Non-maximum suppression, NMS的本质是搜索局部极大值抑制非极大值元素。
2. 3邻域情况下NMS的实现 3邻域情况下的NMS即判断一维数组I[W]的元素I[i](2iW-1)是否大于其左邻元素I[i-1]和右邻元素I[i1]算法流程如下图所示 a. 算法流程3-5行判断当前元素是否大于其左邻与右邻元素如符合条件该元素即为极大值点。对于极大值点I[i]已知I[i]I[i1]故无需对i1位置元素做进一步处理直接跳至i2位置对应算法流程第12行。 b. 若元素I[i]不满足算法流程第3行判断条件将其右邻I[i1]作为极大值候选对应算法流程第7行。采用单调递增的方式向右查找直至找到满足I[i]I[i1]的元素若iW-1该点即为极大值点对应算法流程第10-11行。 3. NMS在物体检测中的应用 物体检测中应用NMS算法的主要目的是消除多余交叉重复的窗口找到最佳物体检测位置。 如上图所示人脸检测中虽然每个窗口均检测到人脸但仅需给出一个最有可能表征人脸的窗口
程序整体思路 先将box中的数据分别存入x1y1x2y2s中分别为坐标和置信度算出每个框的面积存入area基于置信度s从小到达进行排序做一个while循环取出置信度最高的即排序后的最后一个然后将该框进行保留存入pick中然后和其他所有的框进行比对大于规定阈值就将别的框去掉并将该置信度最高的框和所有比对过程大于阈值的框存入suppressfor循环后将I中满足suppress条件的置为空。直到I为空退出while。
代码C static void sort(int n, const float* x, int* indices)
{
// 排序函数(降序排序)排序后进行交换的是indices中的数据
// n排序总数// x带排序数// indices初始为0~n-1数目 int i, j; for (i 0; i n; i) for (j i 1; j n; j) { if (x[indices[j]] x[indices[i]]) { //float x_tmp x[i]; int index_tmp indices[i]; //x[i] x[j]; indices[i] indices[j]; //x[j] x_tmp; indices[j] index_tmp; } }
} int nonMaximumSuppression(int numBoxes, const CvPoint *points, const CvPoint *oppositePoints, const float *score, float overlapThreshold, int *numBoxesOut, CvPoint **pointsOut, CvPoint **oppositePointsOut, float **scoreOut)
{ // numBoxes窗口数目// points窗口左上角坐标点// oppositePoints窗口右下角坐标点
// score窗口得分// overlapThreshold重叠阈值控制// numBoxesOut输出窗口数目
// pointsOut输出窗口左上角坐标点// oppositePoints输出窗口右下角坐标点
// scoreOut输出窗口得分 int i, j, index; float* box_area (float*)malloc(numBoxes * sizeof(float)); // 定义窗口面积变量并分配空间 int* indices (int*)malloc(numBoxes * sizeof(int)); // 定义窗口索引并分配空间 int* is_suppressed (int*)malloc(numBoxes * sizeof(int)); // 定义是否抑制表标志并分配空间 // 初始化indices、is_supperssed、box_area信息 for (i 0; i numBoxes; i) { indices[i] i; is_suppressed[i] 0; box_area[i] (float)( (oppositePoints[i].x - points[i].x 1) * (oppositePoints[i].y - points[i].y 1)); } // 对输入窗口按照分数比值进行排序排序后的编号放在indices中 sort(numBoxes, score, indices); for (i 0; i numBoxes; i) // 循环所有窗口 { if (!is_suppressed[indices[i]]) // 判断窗口是否被抑制 { for (j i 1; j numBoxes; j) // 循环当前窗口之后的窗口 { if (!is_suppressed[indices[j]]) // 判断窗口是否被抑制 { int x1max max(points[indices[i]].x, points[indices[j]].x); // 求两个窗口左上角x坐标最大值 int x2min min(oppositePoints[indices[i]].x, oppositePoints[indices[j]].x); // 求两个窗口右下角x坐标最小值 int y1max max(points[indices[i]].y, points[indices[j]].y); // 求两个窗口左上角y坐标最大值 int y2min min(oppositePoints[indices[i]].y, oppositePoints[indices[j]].y); // 求两个窗口右下角y坐标最小值 int overlapWidth x2min - x1max 1; // 计算两矩形重叠的宽度 int overlapHeight y2min - y1max 1; // 计算两矩形重叠的高度 if (overlapWidth 0 overlapHeight 0) { float overlapPart (overlapWidth * overlapHeight) / box_area[indices[j]]; // 计算重叠的比率 if (overlapPart overlapThreshold) // 判断重叠比率是否超过重叠阈值 { is_suppressed[indices[j]] 1; // 将窗口j标记为抑制 } } } } } } *numBoxesOut 0; // 初始化输出窗口数目0 for (i 0; i numBoxes; i) { if (!is_suppressed[i]) (*numBoxesOut); // 统计输出窗口数目 } *pointsOut (CvPoint *)malloc((*numBoxesOut) * sizeof(CvPoint)); // 分配输出窗口左上角坐标空间 *oppositePointsOut (CvPoint *)malloc((*numBoxesOut) * sizeof(CvPoint)); // 分配输出窗口右下角坐标空间 *scoreOut (float *)malloc((*numBoxesOut) * sizeof(float)); // 分配输出窗口得分空间 index 0; for (i 0; i numBoxes; i) // 遍历所有输入窗口 { if (!is_suppressed[indices[i]]) // 将未发生抑制的窗口信息保存到输出信息中 { (*pointsOut)[index].x points[indices[i]].x; (*pointsOut)[index].y points[indices[i]].y; (*oppositePointsOut)[index].x oppositePoints[indices[i]].x; (*oppositePointsOut)[index].y oppositePoints[indices[i]].y; (*scoreOut)[index] score[indices[i]]; index; } } free(indices); // 释放indices空间 free(box_area); // 释放box_area空间 free(is_suppressed); // 释放is_suppressed空间 return LATENT_SVM_OK;
} 软化非极大值抑制算法softnms
参考链接http://blog.csdn.net/app_12062011/article/details/77963494
Motivation
绝大部分目标检测方法最后都要用到 NMS-非极大值抑制进行后处理。 通常的做法是将检测框按得分排序然后保留得分最高的框同时删除与该框重叠面积大于一定比例的其它框。
这种贪心式方法存在如下图所示的问题 红色框和绿色框是当前的检测结果二者的得分分别是0.95和0.80。如果按照传统的NMS进行处理首先选中得分最高的红色框然后绿色框就会因为与之重叠面积过大而被删掉。
另一方面NMS的阈值也不太容易确定设小了会出现下图的情况绿色框因为和红色框重叠面积较大而被删掉设置过高又容易增大误检。 思路不要粗鲁地删除所有IOU大于阈值的框而是降低其置信度。
Method
先直接上伪代码如下图如文章题目而言就是用一行代码来替换掉原来的NMS。按照下图整个处理一遍之后指定一个置信度阈值然后最后得分大于该阈值的检测框得以保留 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。 文章的改进有两种形式一种是线性加权的 一种是高斯加权的 分析上面的两种改进形式思想都是M为当前得分最高框 为待处理框 和M的IOU越大 的得分 就下降的越厉害。
具体地下面是作者给出的代码(当然不止一行T_T) def cpu_soft_nms(np.ndarray[float, ndim2] boxes, float sigma0.5, float Nt0.3, float threshold0.001, unsigned int method0):cdef unsigned int N boxes.shape[0]cdef float iw, ih, box_areacdef float uacdef int pos 0cdef float maxscore 0cdef int maxpos 0cdef float x1,x2,y1,y2,tx1,tx2,ty1,ty2,ts,area,weight,ovfor 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# get max boxwhile pos N:if maxscore boxes[pos, 4]:maxscore boxes[pos, 4]maxpos pospos pos 1# add max box as a detection 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]# swap ith box with position of max boxboxes[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# NMS iterations, note that N changes if detection boxes fall below thresholdwhile 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:ua float((tx2 - tx1 1) * (ty2 - ty1 1) area - iw * ih)ov iw * ih / ua #iou between max box and detection boxif method 1: # linearif ov Nt: weight 1 - ovelse:weight 1elif method 2: # gaussianweight np.exp(-(ov * ov)/sigma)else: # original NMSif ov Nt: weight 0else:weight 1boxes[pos, 4] weight*boxes[pos, 4]# if box score falls below threshold, discard the box by swapping with last box# update Nif boxes[pos, 4] threshold: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 - 1pos pos - 1pos pos 1keep [i for i in range(N)]return keep 这么做的解释如下 如上图
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。
result: 分类: image processing,machine learning
好文要顶 关注我 收藏该文 outthinker关注 - 9粉丝 - 65
加关注
0
0
« 上一篇C Boost库简介转载» 下一篇sublime3添加python编译系统
posted 2018-03-09 09:47 outthinker 阅读(1809) 评论(0) 编辑 收藏
