文章目录 一、NMS 二、Soft NMS 三、NMS Free 四、WBF（Weighted boxes fusion） 4.1、工作步骤 4.2、实验评估 4.3、讨论 4.4、小结 五、NMS和SoftNMS的对比学习 往期文章： AI/CV面试，直达目录汇总 【AI面试】L1 loss、L2 loss和Smooth L1 Loss，L1正则化和L2正则化 目前，计算机视觉在许多地方都有重要的应用，例如自动驾驶汽车、监控系统和图像识别。计算机视觉的主要挑战之一是目标检测，它涉及识别和定位图像和视频中的目标。 对于模型预测目标的数量，相比于标注数量是多出很多的。采用什么后处理方式，去除掉冗余的框，对最终的输出结果会产生较大的影响? 本文就从NMS 、 Soft NMS 、NMS Free 和 WBF 的角度进行辨析，帮助对这块内容，形成整体的思维。 一、NMS 非极大值抑制（Non-Maximum Suppression，NMS），并不是深度学习时期，和目标检测的产物。在传统的图像处理
超级会员免费看
本文详细介绍了目标检测中的四种后处理技术：NMS、Soft NMS、NMS Free和WBF（Weighted Boxes Fusion）。NMS是一种快速但有时过于激进的抑制重叠框的方法，而Soft NMS通过降低重叠框的置信度以避免完全删除。NMS Free避免了NMS的后处理，通过学习直接得到所需结果。WBF则用于融合多个模型的预测结果，提高检测性能。实验表明，WBF在提高准确性的同时，比标准NMS慢，但更具鲁棒性和稳定性。
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
