是否还需要非极大值抑制？基于 IoU 感知校准的准确置信度估计和隐式重复建模

Sep, 2023

是否还需要非极大值抑制？基于 IoU 感知校准的准确置信度估计和隐式重复建模

Do We Still Need Non-Maximum Suppression? Accurate Confidence Estimates and Implicit Duplication Modeling with IoU-Aware Calibration

PDF

Johannes Gilg, Torben Teepe, Fabian Herzog, Philipp Wolters, Gerhard Rigoll

TL;DR利用 IoU-aware 校准方法替代经典的非最大值抑制算法，可以提供更可靠的预测和更准确的置信度评估，从而在目标检测中带来性能提升。

Abstract

object detectors are at the heart of many semi- and fully autonomous decision systems and are poised to become even more indispensable. They are, however, still lacking in accessibility and can sometimes produce unreliable predictions. Especially concerning in this regard are the -- es

object detectors non-maximum suppression algorithms iou-aware calibration performance gains calibration

发现论文，激发创造

提高几何要素在对象检测和实例分割的模型学习和推理中的作用

本文提出了 CIoU loss 和 Cluster-NMS 以增强两个重要任务中的几何因素，进而提高了对象检测和实例分割的平均精度和平均召回，实验表明该方法在各种模型中均有效。

May, 2020

获取定位置信度以实现准确目标检测

本文提出了一种 CNN 方法，名为 IoU-Net，以预测物体检测边界框的 IoU 值，使得模型具有定位置信度，进而提高非极大值抑制算法（NMS）的精度，在 MS-COCO 数据集上实验表明 IoU-Net 方法适用于多种先进的物体检测器且有效。

Jul, 2018

3D IoU-Net: 基于 IoU 的点云三维物体检测器

提出了一种在 3D 物体检测中通过 IoU 预测来解决 NMS 中准确性问题的方法，使用了 3D IoU-Net 进行特征学习和准确性预测，并通过 Corner Geometry Encoding 和 Attentive Corner Aggregation 模块提取几何信息并实现对预测角度的不变性，实验结果表明，该方法在 KITTI car detection benchmark 上达到了最先进水平。

Apr, 2020

物体检测的解耦交并比回归

通过提出 Decoupled IoU Regression (DIR) 模型，将 IoU 按照纯度和完整度两个维度拆分为两个更加清晰的映射以分别处理，同时引入特征对齐提升稳定性。结果显示 DIR 可用于现有的两步检测器并且显著提高它们的性能，并在 MS COCO 基准测试中获得了 51.3% 的 AP，达到了最先进水平。

Feb, 2022

学习非极大值抑制

通过端到端学习范式，提出了一种利用端盒和分数执行非极大值抑制的新型网络架构，适用于个人检测和一般物体类别（基于 COCO 数据集），能够提供更好的定位和遮挡处理。

May, 2017

基于 IoU 的单阶段目标检测器实现准确定位

本文提出了一种 IoU 感知的单级目标检测器来提高模型的定位准确性，通过将分类分数和预测的 IoU 相乘来计算最终检测可信度，该方法在 COCO 和 PASCAL VOC 数据集上都取得了较好的实验结果。

Dec, 2019

从黑盒到白盒：在不同条件下检验置信度校准

研究通过非最大抑制等后处理技术对物体检测模型信心率校准的影响，发现后处理技术高度影响信心率校准，导致过度信任且因此被错误校准的模型。

Jan, 2021

置信度传播聚类：释放目标检测器的全部潜力

本文提出了一种基于置信传播聚类（CP-Cluster）的物体检测方法，它采用了置信度信息的信息传递机制，能够同时去除冗余的检测框并增强真正的正类检测框。与传统的基于 NMS 的方法相比，在不重新训练检测器的情况下，我们的方法能够显著提高各种主流检测器的平均精度。

Dec, 2021

互信息校准的边缘环境不确定性感知多模态三维物体检测

通过将协同推断原理与信息理论测量相集成，我们的研究在多模态框架内实现了轻量级、无蒙特卡罗的不确定性估计，并通过多元高斯变分自动编码器的潜变量的乘积来融合 RGB 摄像机和 LiDAR 传感器数据的特征以提高预测准确性。通过基于加权损失函数的 CI 得出的不确定性边界的标准化互信息被用作调制器。我们的仿真结果表明，在模型训练期间，内在的预测不确定性与 NMI 呈负相关。该框架在 KITTI 3D 物体检测基准上展示了与不具备不确定性感知能力的相似方法相媲美甚至更好的性能，适用于边缘实时机器人技术。

Sep, 2023

推测物体检测的空间不确定性

本文提出了一种通过 LiDAR 点云估算边界框标签不确定性的生成模型，并定义了一种新的概率边界框表示方法，进而提出了一种基于 Jaccard IoU 的新的评价指标，该模型在 KITTI 和 Waymo Open 数据集上被证明是优于传统 IoU 的评价指标，对于概率目标检测器的评估具有高度准确性。

Mar, 2020