chinese直男口爆体育生外卖, 99久久er热在这里只有精品99, 又色又爽又黄18禁美女裸身无遮挡, gogogo高清免费观看日本电视,私密按摩师高清版在线,人妻视频毛茸茸,91论坛 兴趣闲谈,欧美 亚洲 精品 8区,国产精品久久久久精品免费

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

目標檢測的后處理:NMS vs WBF

Dbwd_Imgtec ? 來源:未知 ? 2023-07-26 10:25 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

作者:Ching (Chingis)編譯ronghuaiyang來源:AI公園

導讀

對目標檢測后處理中的NMS和WBF的解釋和對比。目前,計算機視覺在許多地方都有重要的應用,例如自動駕駛汽車、監(jiān)控系統(tǒng)和圖像識別。計算機視覺的主要挑戰(zhàn)之一是目標檢測,它涉及識別和定位圖像和視頻中的目標。為了提高目標檢測系統(tǒng)的性能,研究人員和從業(yè)者開發(fā)了各種技術(shù),例如模型集成和測試時增強(TTA)。

模型集成是組合多個模型的預測以提高系統(tǒng)整體性能的過程。這可以通過對多個模型的預測求平均值,或使用更復雜的方法(如加權(quán)框融合 (WBF))來組合預測來完成。集成方法可以通過減少過擬合的影響并提高系統(tǒng)的魯棒性來顯著提高目標檢測系統(tǒng)的性能。

測試時增強 (TTA) 是另一種用于提高目標檢測系統(tǒng)性能的技術(shù)。它在測試期間將各種數(shù)據(jù)增強技術(shù)(例如旋轉(zhuǎn)、縮放和翻轉(zhuǎn))應用于輸入圖像。這可以通過使系統(tǒng)對輸入數(shù)據(jù)的微小變化更加不變來幫助提高系統(tǒng)的魯棒性。TTA還可以通過提供額外的數(shù)據(jù)供檢測器學習來幫助提高系統(tǒng)的性能。

在本文中,我們將探索和比較非最大抑制 (NMS) 和加權(quán)框融合 (WBF) 以提高目標檢測系統(tǒng)的性能。
非最大值抑制

非極大值抑制 (NMS) 是一種后處理技術(shù),用于去除目標檢測器生成的重疊框。它常用于計算機視覺中的目標檢測任務,例如人臉檢測、目標跟蹤以及圖像和視頻中的目標檢測。

NMS 背后的基本思想是選擇置信度得分最高的框,然后刪除與其顯著重疊的其他框。重復此過程,直到考慮了所有框。這有助于減少目標檢測中的誤報數(shù)量,因為目標檢測器通常會生成對同一目標的多次檢測。

計算兩個邊界框之間重疊的最常見方法是使用交并比 (IoU) 指標。

IoU(A,B) = (A ∩ B) / (A ∪ B)

其中 A 和 B 是邊界框的面積,A ∩ B 是它們相交的面積。通常,為 IoU 度量設(shè)置一個閾值,任何 IoU 大于該閾值的邊界框都被認為是重復檢測并被刪除。


加權(quán)框融合

加權(quán)框融合(WBF)是一種提高目標檢測系統(tǒng)性能的強大技術(shù)。它是一種將多個邊界框或感興趣區(qū)域 (ROI) 的結(jié)果組合成一個更準確、更穩(wěn)定的結(jié)果的方法。當使用多個模型或算法來檢測圖像或視頻中的目標并且需要組合結(jié)果以提高整體性能時,該技術(shù)特別有用。

從本質(zhì)上講,WBF 是一種通過根據(jù)各種標準為每個邊界框分配權(quán)重來組合多個目標檢測器結(jié)果的方法。然后使用這些權(quán)重將邊界框組合成一個更穩(wěn)健的結(jié)果。

WBF算法的工作步驟如下:

  1. 每個模型的每個預測框(或通過 TTA 獲得的預測)都會添加到單個列表 B 中,然后按置信度分數(shù) C 的降序排序。
  2. 分別為框組和融合框?qū)嵗碌目樟斜?L 和 F。因此,列表L中的每個元素都是由于重疊而形成的一組框,而F中的每個位置僅包含一個框,即融合框。
  3. 在一個循環(huán)中迭代 B 中的預測框,并檢查列表 F 中的匹配框(IoU > THR)。
  4. 如果未找到匹配項,則將 B 中的框添加到列表 L 和 F 的末尾作為新條目;繼續(xù)進行 B 中的下一個框。
  5. 如果找到匹配,則將此框添加到列表L中與F中的匹配框?qū)奈恢锰帯?/span>
  6. 使用框組 L[pos]中的所有內(nèi)容重新計算 F[pos]中的框坐標和置信度得分。將置信度得分設(shè)置為 L[pos]中所有框的平均置信度。融合框的坐標是形成它的框的坐標的加權(quán)和,其中權(quán)重是對應框的置信度分數(shù)。最終 ROI = Σ (權(quán)重 i * ROIi) / Σ 權(quán)重 i。其中 ROIi 是第 i 個邊界框,weighti 是分配給該邊界框的權(quán)重,并且對正在考慮進行融合的所有邊界框進行求和。最終的 ROI 是計算得出的組合邊界框。
  7. 最后,重新調(diào)整 F 列表中的置信度分數(shù):將其乘以組中的框數(shù)(定義為下面的 T),然后除以模型數(shù) N。如果組中的框數(shù)量較少,則可能意味著只有少數(shù)模型可以預測它。因此,我們需要降低此類情況的置信度分數(shù)。
wKgZomToHbyAffQ2AAAVTLBpKgk243.png

WBF 可以成為提高目標檢測系統(tǒng)性能的強大工具,并且越來越多地被廣泛應用于自動駕駛汽車、監(jiān)控系統(tǒng)和計算機視覺的許多其他領(lǐng)域。通過集成WBF技術(shù),目標檢測系統(tǒng)可以變得更加魯棒和準確,并且即使在存在噪聲和遮擋的情況下也可以表現(xiàn)得更好。


NMS vs WBFwKgZomToHbyADrUgAAC6PcAkzSs236.png加權(quán)框融合(WBF)和非極大值抑制(NMS)都是用于提高目標檢測系統(tǒng)性能的技術(shù)。然而,它們的使用方式不同,并且具有不同的權(quán)衡。NMS 是一種后處理技術(shù),用于刪除目標檢測器生成的重疊邊界框。它的工作原理是選擇置信度得分最高的邊界框,然后刪除與其顯著重疊的任何其他邊界框。重復此過程,直到考慮了所有邊界框。NMS 是一種簡單、快速且有效的方法,可減少目標檢測中的誤報數(shù)量。

另一方面,WBF 是一種用于組合多個邊界框(或感興趣區(qū)域)的技術(shù),以產(chǎn)生更準確和穩(wěn)定的結(jié)果。它通常用于使用多個模型或算法來檢測圖像或視頻中的對象,并且需要組合結(jié)果以提高整體性能的情況。WBF 的工作原理是根據(jù)檢測置信度、與其他邊界框的重疊或其他標準等因素為每個邊界框分配權(quán)重。然后使用這些權(quán)重將邊界框組合成一個更穩(wěn)健的結(jié)果。


實驗評估2個不同模型的集成wKgZomToHbyAYfNSAADgRfdAtv8570.png表 1 顯示了兩個模型的 MS COCO 驗證集的結(jié)果。使用四種不同的技術(shù)組合預測:NMS、Soft NMS、NMW 和 WBF。我們看到,在不同的設(shè)置下,WBF 方法明顯優(yōu)于其他方法,帶來了更大的改進。測試時增強集成wKgZomToHbyALNiKAAB8aWbTHI4275.png

在上表中我們看到作者還提供了通過 TTA 組合預測的實驗。他們使用在 COCO 數(shù)據(jù)集上訓練的 EfficientNetB7 模型。對于 TTA,他們只采用水平翻轉(zhuǎn)。同樣,我們看到 WBF 的性能明顯優(yōu)于 NMS、Soft-NMS 和 NMW 等其他方法。


最后使用加權(quán)框融合 (WBF) 的動機是通過將多個邊界框或感興趣區(qū)域 (ROI) 的結(jié)果組合成一個更準確和穩(wěn)定的結(jié)果來提高目標檢測系統(tǒng)的性能。這在使用多個模型或算法來檢測圖像或視頻中的目標并且需要組合結(jié)果以提高整體性能的情況下特別有用。使用 WBF 有益的原因有以下幾個:
  • 魯棒性:物體檢測器可能會受到雜波、遮擋和背景噪聲等因素的影響。WBF可以通過結(jié)合多個檢測器的結(jié)果來幫助提高物體檢測系統(tǒng)的魯棒性,從而可以減少這些因素的影響。
  • 準確性:WBF 可以通過組合同一物體的多次檢測來幫助提高物體檢測系統(tǒng)的準確性。這在圖像或視頻中目標部分被遮擋或僅部分可見的情況下特別有用。
  • 穩(wěn)定性:WBF 可以通過減少誤報和漏報的影響來幫助提高目標檢測系統(tǒng)的穩(wěn)定性。這在感興趣的物體很小或難以檢測的情況下特別有用。
  • 靈活性:WBF可以與非極大值抑制(NMS)等其他技術(shù)結(jié)合使用,以進一步提高目標檢測系統(tǒng)的性能。

英文原文:https://medium.com/deem-blogs/object-detection-explained-nms-vs-wbf-4526d58e7e34

END

歡迎加入Imagination GPU人工智能交流2群

wKgZomToHbyAIsRuAABN8aBfIqc747.jpg

入群請加小編微信:eetrend89

(添加請備注公司名和職稱)

推薦閱讀 對話Imagination中國區(qū)董事長:以GPU為支點加強軟硬件協(xié)同,助力數(shù)字化轉(zhuǎn)型 下載白皮書 | 通過Photon架構(gòu)創(chuàng)建身臨其境的圖形體驗

Imagination Technologies是一家總部位于英國的公司,致力于研發(fā)芯片和軟件知識產(chǎn)權(quán)(IP),基于Imagination IP的產(chǎn)品已在全球數(shù)十億人的電話、汽車、家庭和工作 場所中使用。獲取更多物聯(lián)網(wǎng)、智能穿戴、通信、汽車電子、圖形圖像開發(fā)等前沿技術(shù)信息,歡迎關(guān)注 Imagination Tech!


原文標題:目標檢測的后處理:NMS vs WBF

文章出處:【微信公眾號:Imagination Tech】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。


聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • imagination
    +關(guān)注

    關(guān)注

    1

    文章

    611

    瀏覽量

    62966

原文標題:目標檢測的后處理:NMS vs WBF

文章出處:【微信號:Imgtec,微信公眾號:Imagination Tech】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關(guān)推薦
    熱點推薦

    【產(chǎn)品介紹】Altair HyperView用于仿真和CAE分析的后處理和數(shù)據(jù)可視化

    AltairHyperView通過用于仿真和CAE分析的高級后處理和數(shù)據(jù)可視化解鎖工程洞察力AltairHyperView是用于高保真后處理的CAE分析軟件。HyperView專為工程師打造,可促進
    的頭像 發(fā)表于 09-19 17:02 ?320次閱讀
    【產(chǎn)品介紹】Altair HyperView用于仿真和CAE分析的<b class='flag-5'>后處理</b>和數(shù)據(jù)可視化

    【BPI-CanMV-K230D-Zero開發(fā)板體驗】AI 算法模型(人臉檢測、軀干檢測、車牌識別)

    self.nms_threshold = nms_threshold# NMS(非極大值抑制)閾值 self.anchors = anchors# 錨點數(shù)據(jù),用于目標
    發(fā)表于 07-05 00:52

    【BPI-CanMV-K230D-Zero開發(fā)板體驗】03 攝像頭調(diào)用+AI人臉檢測

    進行人臉檢測,并在屏幕上實時標注檢測結(jié)果。 整個流程包括: 攝像頭圖像采集; 圖像預處理(padding、resize); 人臉檢測模型推理; 后處
    發(fā)表于 07-01 22:43

    【BPI-CanMV-K230D-Zero開發(fā)板體驗】人臉檢測、手勢識別、車牌識別

    =confidence_threshold # nms閾值 self.nms_threshold=nms_threshold # 錨框,目標檢測
    發(fā)表于 06-30 20:44

    【BPI-CanMV-K230D-Zero開發(fā)板體驗】人體關(guān)鍵點檢測

    ]]) # 自定義當前任務的后處理 def postprocess(self,results): with ScopedTiming(\"postprocess\"
    發(fā)表于 06-28 13:18

    YOLOv8水果檢測示例代碼換成640輸入圖像出現(xiàn)目標框繪制錯誤的原因 ?

    \",中的best.kmodel替換為640輸入圖像,model_input_size=[640,640],就會出現(xiàn)目標檢測目標框位置混亂,目標框的位置完全是錯的,但是
    發(fā)表于 06-18 06:37

    基于LockAI視覺識別模塊:C++目標檢測

    (float score_threshold = 0.5, float nms_threshold = 0.3); 作用: 設(shè)置目標檢測的置信度閾值和NMS閾值。 參數(shù): scor
    發(fā)表于 06-06 14:43

    基于LockAI視覺識別模塊:C++目標檢測

    本文檔基于瑞芯微RV1106的LockAI凌智視覺識別模塊,通過C++語言做的目標檢測實驗。本文檔展示了如何使用lockzhiner_vision_module::PaddleDet類進行目標
    的頭像 發(fā)表于 06-06 13:56 ?458次閱讀
    基于LockAI視覺識別模塊:C++<b class='flag-5'>目標</b><b class='flag-5'>檢測</b>

    COMSOL Multiphysics V4.x操作手冊叢書后處理用戶指南

    電子發(fā)燒友網(wǎng)站提供《COMSOL Multiphysics V4.x操作手冊叢書后處理用戶指南.pdf》資料免費下載
    發(fā)表于 04-22 15:36 ?0次下載

    labview調(diào)用yolo目標檢測、分割、分類、obb

    labview調(diào)用yolo目標檢測、分割、分類、obb、pose深度學習,支持CPU和GPU推理,32/64位labview均可使用。 (yolov5~yolov12)
    發(fā)表于 03-31 16:28

    軒轅智駕紅外目標檢測算法在汽車領(lǐng)域的應用

    在 AI 技術(shù)蓬勃發(fā)展的當下,目標檢測算法取得了重大突破,其中紅外目標檢測算法更是在汽車行業(yè)掀起了波瀾壯闊的變革,從根本上重塑著汽車的安全性能、駕駛體驗與產(chǎn)業(yè)生態(tài)。
    的頭像 發(fā)表于 03-27 15:55 ?633次閱讀

    K230運行報錯ValueError: array is too big,為什么?

    : 照著它給的解決方案加了一個判斷條件, 雖然報錯解決了, 但是又出現(xiàn)了畫面左上角一直會繪制目標框,然后想正常檢測目標又不會繪制出目標框的問題。 實際效果圖片: 軟硬件版本信息 實
    發(fā)表于 02-08 08:52

    AI模型部署邊緣設(shè)備的奇妙之旅:目標檢測模型

    里面包含什么類別的目標。 (2)定位-Location:解決“在哪里?”的問題,即定位出這個目標的的位置。 (3)檢測-Detection:解決“在哪里?是什么?”的問題,即定位出這個目標
    發(fā)表于 12-19 14:33

    YOLOv10自定義目標檢測之理論+實踐

    概述 YOLOv10 是由清華大學研究人員利用 Ultralytics Python 軟件包開發(fā)的,它通過改進模型架構(gòu)并消除非極大值抑制(NMS)提供了一種新穎的實時目標檢測方法。這些優(yōu)化使得模型在
    的頭像 發(fā)表于 11-16 10:23 ?2702次閱讀
    YOLOv10自定義<b class='flag-5'>目標</b><b class='flag-5'>檢測</b>之理論+實踐

    YOLOv10:引領(lǐng)無NMS實時目標檢測的新紀元

    。 YOLO(You Only Look Once)系列一直是實時目標檢測的基準,成功平衡了計算成本和檢測性能。盡管在架構(gòu)設(shè)計和優(yōu)化策略方面取得了進展,但對非最大值抑制(NMS
    的頭像 發(fā)表于 11-13 17:12 ?2272次閱讀
    YOLOv10:引領(lǐng)無<b class='flag-5'>NMS</b>實時<b class='flag-5'>目標</b><b class='flag-5'>檢測</b>的新紀元