用卷积神经网络进行非最大值抑制
通过引入模糊学习到非极大值抑制(NMS)中,我们提出了一种新的广义 Fuzzy-NMS 模块,以实现对候选边界框的更细致过滤,通过模糊分类方法将体积和聚类密度相结合,优化适当的抑制阈值并减少 NMS 过程中的不确定性,通过对 KITTI 和 Waymo 等基准测试进行充分验证实验,结果表明所提出的 Fuzzy-NMS 模块能够显著提高许多基于 NMS 的检测器的准确性,尤其对于行人和自行车等小目标。作为即插即用模块,Fuzzy-NMS 无需重新训练并且不会显著增加推论时间。
Oct, 2023
本文提出一种名为 FeatureNMS 的算法以解决对象检测中传统 NMS 算法在物体重叠区域存在瑕疵的问题,该算法能够通过特征向量的差异除了集合交并比之外,更充分地编码更多的信息,从而优于传统 NMS 和其改进方法,并达到了最先进的性能。
Feb, 2020
本文提出一种使用新型非极大值抑制(NMS)算法解决人群中的行人检测问题,使用自适应 NMS 和学习密度得分的子网络,可以有效改善边界框的精确度,并在 CityPersons 和 CrowdHuman 基准测试中取得了最先进的结果。
Apr, 2019
本文提出一种名为 SG-Det 的模型,使用一种新颖的嵌入机制来联合利用检测框的语义和几何特征,从而在面对类内遮挡较多的场景时显著提高了检测召回率,特别适用于城市场景的汽车和行人检测,在 KITTI 和 CityPersons 数据集上展示了 SG-Det 模型的最优性能。
Dec, 2019
本文介绍了一种基于 FCOS 检测模型的 NMS-free 端到端的目标检测框架,使用紧凑的 PSS head 实现单个目标实例的自动选择并消除后处理的 NMS,通过停梯度操作成功解决了一对多和一对一标签分配之间的冲突问题,实现了对 COCO 数据集的优越性能。
Jan, 2021
Soft-NMS 算法通过将检测框与最大得分检测框的重叠度作为连续函数的信号降低其得分以替代一般的 NMS 算法进行非极大值抑制,从而提高了目标检测的效果和精度,不需要额外训练,且与常规 NMS 算法的计算复杂度相同。
Apr, 2017
本文提出一种基于迭代方案的物体检测算法,通过在每次迭代中检测新的子集,然后将之前的检测结果传递到后续迭代以确保不会检测到同一对象,改进了现有的基于深度学习的物体检测算法,并在 CrowdHuman 和 WiderPerson 数据集上实现了最先进的性能。
May, 2020
本文提出了一种将 Deformable Parts Models 和 Convolutional Networks 相结合的新模型,并使用结构化损失函数进行训练,使得之前作为单独后处理步骤的 NMS 操作成为了模型的一部分,从而使得我们的系统在 PASCAL VOC 2007 和 2011 数据集上实现了竞争性的结果。
Nov, 2014