高效 NMS

简介:

2 非极大值抑制(NMS)

我们先载入图片:

import numpy as np
from copy import  deepcopy
from matplotlib import pyplot as plt
np.set_printoptions(2)     # 修改了 NumPy 的打印精度
# 指定默认字体, 为在 Matplotlib 中显示中文,设置特殊字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号 '-' 显示为方块的问题

%matplotlib inline

img_name = '../images/catdog.jpg'
img = plt.imread(img_name)

1D NMS

代码如下

class NMS:
    '''
    参考论文:Neubeck A, Van Gool L. Efficient Non-Maximum Suppression

    非极大值抑制
    '''

    def __init__(self, I):
        '''
        参数
        ===========
        I::1D 或者 2D 数组
        '''
        self.I = I
        self.__pmax = deepcopy(self.I)

    def __CompPartialMax(self, from_, to):
        '''
        Compute Partial Maximum

        返回
        =========
        max{self.I[from_:to+1]}
        '''
        best = to
        # 从右往左搜索
        while to > from_:
            to -= 1
            if self.I[to] <= self.I[best]:
                self.__pmax[to] = self.I[best]
            else:
                self.__pmax[to] = self.I[to]
                best = to
        return best

    def BlockWise(self, r):
        '''
        r 近邻,即 (2r+1)-Neighborhood
        '''
        w = len(self.I)
        assert 3 * r < w, "邻域半径超出范围"
        i = r
        self.__CompPartialMax(0, i - 1)
        chkpt = -1
        maximuns = []

        while i + 2 * r < w:
            j = self.__CompPartialMax(i, i + r)
            k = self.__CompPartialMax(i + r + 1, j + r)
            if i == j or self.I[j] > self.I[k]:  # self.I[j] 是极大值
                if (chkpt < j - r or self.I[j] >= self.__pmax[chkpt]) and (
                        j - r == i or self.I[j] >= self.__pmax[j - r]):
                    maximuns.append(j)
                if i < j:
                    chkpt = i + r + 1
                i = j + r + 1
            else:
                i = k
                chkpt = j + r + 1
                while i < w - r:
                    j = self.__CompPartialMax(chkpt, i + r)
                    if self.I[i] > self.I[j]:  # # self.I[i] 是极大值
                        maximuns.append(i)
                        i = i + r - 1
                        break
                    else:
                        chkpt = i + r - 1
                        i = j
        return maximuns
目录
相关文章
|
6月前
|
编解码 并行计算 算法
除了NMS参数,还有哪些因素会影响YOLOv3模型的检测性能?
除了NMS参数,还有哪些因素会影响YOLOv3模型的检测性能?
|
6月前
|
人工智能
【Mixup】探索数据增强技术:深入了解Mixup操作
【Mixup】探索数据增强技术:深入了解Mixup操作
636 0
|
14天前
|
机器学习/深度学习 计算机视觉 Python
【YOLOv11改进 - 注意力机制】EMA(Efficient Multi-Scale Attention):基于跨空间学习的高效多尺度注意力
【YOLOv11改进 - 注意力机制】EMA(Efficient Multi-Scale Attention):基于跨空间学习的高效多尺度注意力.EMA(Efficient Multi-Scale Attention)模块是一种高效多尺度注意力机制,旨在提高计算机视觉任务中的特征表示效果。该模块通过结合通道和空间信息、采用多尺度并行子网络结构以及优化坐标注意力机制,实现了更高效和有效的特征表示。EMA模块在图像分类和目标检测任务中表现出色,使用CIFAR-100、ImageNet-1k、MS COCO和VisDrone2019等数据集进行了广泛测试。
【YOLOv11改进 - 注意力机制】EMA(Efficient Multi-Scale Attention):基于跨空间学习的高效多尺度注意力
|
6月前
|
算法
如何调整 YOLOv3 的 NMS 参数以优化检测性能?
如何调整 YOLOv3 的 NMS 参数以优化检测性能?
|
机器学习/深度学习 资源调度 监控
深度学习基础入门篇[六]:模型调优,学习率设置(Warm Up、loss自适应衰减等),batch size调优技巧,基于方差放缩初始化方法。
深度学习基础入门篇[六]:模型调优,学习率设置(Warm Up、loss自适应衰减等),batch size调优技巧,基于方差放缩初始化方法。
|
3月前
|
计算机视觉
5.1.2.3 目标检测基本概念和YOLOv3设计思想——交并比 NMS
这篇文章详细解释了目标检测中的关键概念交并比(IoU)和非极大值抑制(NMS),包括它们的定义、计算方法和在目标检测中的应用,以及如何使用这些技术来优化预测结果和减少冗余预测框。
|
4月前
|
机器学习/深度学习 索引 Python
。这不仅可以减少过拟合的风险,还可以提高模型的准确性、降低计算成本,并帮助理解数据背后的真正含义。`sklearn.feature_selection`模块提供了多种特征选择方法,其中`SelectKBest`是一个元变换器,可以与任何评分函数一起使用来选择数据集中K个最好的特征。
。这不仅可以减少过拟合的风险,还可以提高模型的准确性、降低计算成本,并帮助理解数据背后的真正含义。`sklearn.feature_selection`模块提供了多种特征选择方法,其中`SelectKBest`是一个元变换器,可以与任何评分函数一起使用来选择数据集中K个最好的特征。
|
5月前
|
机器学习/深度学习 计算机视觉
【YOLOv8改进】EMA(Efficient Multi-Scale Attention):基于跨空间学习的高效多尺度注意力 (论文笔记+引入代码)
YOLO目标检测专栏介绍了创新的多尺度注意力模块EMA,它强化通道和空间信息处理,同时降低计算负担。EMA模块通过通道重塑和并行子网络优化特征表示,增强长距离依赖建模,在保持效率的同时提升模型性能。适用于图像分类和目标检测任务,尤其在YOLOv8中表现出色。代码实现和详细配置可在文中链接找到。
|
6月前
|
资源调度 算法 Ubuntu
基于协方差矩阵自适应演化策略(CMA-ES)的高效特征选择
特征选择是指从原始特征集中选择一部分特征,以提高模型性能、减少计算开销或改善模型的解释性。特征选择的目标是找到对目标变量预测最具信息量的特征,同时减少不必要的特征。这有助于防止过拟合、提高模型的泛化能力,并且可以减少训练和推理的计算成本。
114 3
|
6月前
|
机器学习/深度学习 网络架构
YOLOv8改进 | 2023主干篇 | 利用RT-DETR特征提取网络PPHGNetV2改进YOLOv8(超级轻量化精度更高)
YOLOv8改进 | 2023主干篇 | 利用RT-DETR特征提取网络PPHGNetV2改进YOLOv8(超级轻量化精度更高)
449 1