YOLOv5中的非极大值抑制及其改进方案

YOLOv5中的非极大值抑制及其改进方案

引用

CSDN

1.

https://m.blog.csdn.net/wusuoweiieq/article/details/144350337

非极大值抑制（Non-maximum suppression，NMS）是目标检测算法中一个重要的后处理步骤，用于去除重复的检测框，提高检测结果的准确性。YOLOv5作为当前最流行的目标检测算法之一，其采用的NMS方案及其改进版本在实际应用中具有重要意义。本文将详细介绍YOLOv5中使用的NMS算法及其改进方案。

NMS基本原理

YOLOv5中采用的是非极大值抑制（NMS），通过候选框的分数大小将所有候选框进行从大到小的排序，选择最大分数的检测框 M 后，将其他大于所设置 IoU（交并比）的候选框的分数进行置零，只保留一个检测框。

局限性

如果 IoU 阈值较低，会将周围置信度较低的候选框删除，导致漏检。

基本步骤

1. 将所有检出的 output bboxes 按 cls scores 划分（含不含目标，无则不需要NMS）；
2. 在每个集合内根据各个bboxes 的 cls scores 做降序排列，得到一个降序的 list_k ；
3. 从list_k 中 top1 cls score开始，计算该 bbox_x 与 list 中其他 bbox_y 的 IoU，若IoU大于阈值T，则剔除该bbox_y，最终保留bbox_x，从list_k中取出 ；
4. 对剩余的bbox_x，重复step3中的迭代操作，直至 list_k 中所有 bbox 都完成筛选；
5. 对每个集合的list_k，重复step3、4中的迭代操作，直至所有list_k都完成筛选。

局部感知NMS（LNMS）

LNMS一般用于水平矩形框，特别是离得很近的倾斜文本。LNMS是在EAST文本检测中提出的。

基本步骤

1. 先对所有的output boxes集合结合相应的阈值（大于阈值则进行合并，小于阈值则不合并），依次遍历进行加权合并，得到合并后的bboxes集合；
2. 对合并后的bbox集合进行标准的NMS操作。

如此操作，进行NMS的边界框数量会大幅降低，减少计算量。

倾斜NMS(INMS)

主要是解决倾斜的文本行检测（即带方向的目标）。

多边形NMS（Polygon NMS）

掩膜NMS(MNMS)