超越NMS，Softer-NMS带来目标检测新范式

人工智能

2023-09-24 21:39:14

超越NMS：Softer-NMS 带来目标检测新范式

在目标检测领域，非极大值抑制 (NMS) 是一种必不可少的技术，用于从一堆重叠的检测框中挑选出最优的框。虽然 NMS 非常有效，但它存在一个主要缺陷：当检测框高度重叠时，它倾向于抑制所有框，导致漏检。

Softer-NMS：解决 NMS 的缺陷

为了解决 NMS 的缺陷，研究人员开发了一种称为 Softer-NMS 的新算法。Softer-NMS 在 NMS 的基础上进行了一些关键改进，使它能够更有效地处理高度重叠的检测框。

Softer-NMS 的原理

Softer-NMS 的工作原理如下：

排序检测框： 首先，Softer-NMS 根据检测框的置信度对检测框进行排序。
逐一处理检测框： 算法从置信度最高的检测框开始，逐个处理每个检测框。
计算重叠度： 对于当前检测框，Softer-NMS 计算它与之前处理过的所有检测框的重叠度。
衰减置信度： 根据重叠度，Softer-NMS 衰减当前检测框的置信度。重叠度越大，衰减越大。
保留或丢弃： 如果衰减后的置信度仍然高于阈值，则保留当前检测框；否则，丢弃它。
重复过程： 算法重复上述过程，直到处理完所有检测框。

Softer-NMS 的优势

与 NMS 相比，Softer-NMS 具有以下优势：

降低漏检率： Softer-NMS 不会像 NMS 那样激进地抑制高度重叠的检测框，从而降低漏检率。
提高召回率： 通过降低漏检率，Softer-NMS 可以提高目标检测模型的召回率。
保持准确率： 尽管降低了漏检率，Softer-NMS 仍然可以保持与 NMS 相当的准确率。
速度快： 与 NMS 相比，Softer-NMS 的计算复杂度几乎相同，不会明显影响目标检测模型的速度。

Softer-NMS 的应用

Softer-NMS 已成功应用于各种目标检测模型，包括 Faster R-CNN、SSD 和 YOLOv3。在这些模型中，Softer-NMS 显著提高了准确率和召回率，同时降低了漏检率。

Softer-NMS 代码示例

如果你想在自己的目标检测模型中使用 Softer-NMS，可以使用以下 Python 代码：

import numpy as np

def softer_nms(boxes, scores, iou_threshold, sigma=0.5):
  """
  执行 Softer-NMS。

  参数：
    boxes：检测框坐标，形状为 [N, 4]。
    scores：检测框置信度，形状为 [N]。
    iou_threshold：IoU 阈值。
    sigma：衰减系数。

  返回：
    保留的检测框索引，形状为 [K]。
  """

  # 对检测框置信度进行排序。
  order = scores.argsort()[::-1]

  # 初始化已选检测框列表。
  selected_boxes = []

  # 遍历所有检测框。
  while len(order) > 0:
    # 选择置信度最高的检测框。
    i = order[0]

    # 将置信度最高的检测框添加到已选检测框列表中。
    selected_boxes.append(i)

    # 计算置信度最高的检测框与其他检测框之间的 IoU。
    ious = bbox_iou(boxes[i], boxes[order[1:]])

    # 计算衰减系数。
    decay_weights = np.exp(-(ious**2) / sigma)

    # 更新其他检测框的置信度。
    scores[order[1:]] = scores[order[1:]] * decay_weights

    # 删除置信度低于阈值的检测框。
    order = order[scores[order] > iou_threshold]

  return selected_boxes