Sep, 2024

加速非极大值抑制：图论视角

HTML
PDF
TL;DR本研究首次从图论的角度系统分析了非极大值抑制(NMS)，揭示了其内在结构，解决了物体检测中效率优化的难题。提出的QSI-NMS和BOE-NMS两种优化方法显著提升了NMS的速度，并在保持较小mAP损失的同时，提供了卓越的处理性能，尤其QSI-NMS在测试中实现了6.2倍的加速。该研究还引入了NMS-Bench，为研究者提供了全面评估不同NMS方法的平台。
发现论文，激发创造
  • 用卷积神经网络进行非最大值抑制

    本研究旨在系统地解决非极大值抑制（NMS）的问题，提出了利用卷积神经网络执行给定众多检测结果的NMS方法，摆脱贪心NMS的固有限制并获得更好的检出率和精度。

    Nov, 2015

  • 基于区域抽样的 Faster RCNN 实现研究

    本文介绍了将 Faster RCNN 框架的联合训练模式从 Caffe 转移到 TensorFlow，并公开了代码。在 PASCAL VOC 2007 和 COCO 2014 上进行的削减分析说明了对原始流程所做的简化。在区域分类中，我们进一步研究了非最大抑制 (NMS) 在选择区域感兴趣 (RoI) 时的作用，并发现偏向于选择小区域的采样，能够在充分收敛时实现与基于 NMS 的采样相当的 mAP。

    Feb, 2017

  • Soft-NMS -- 一行代码改善目标检测

    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

  • 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

  • 利用不确定性的边界框回归进行准确的目标检测

    本研究提出了一种新颖的边界框回归损失方法，该方法结合了学习边界框变换和定位方差。研究表明，该方法显著提高了各种框架的准确性。同时，学习到的定位方差允许我们在非极大值抑制期间合并相邻的边界框，进一步提高了定位性能，超越了先前的最先进的边界框精化方法。

    Sep, 2018

  • Daedalus：通过对抗样本打破目标检测中的非最大抑制

    本文提出了一种名为Daedalus的对抗性样本攻击，通过缩小检测框的尺寸来规避Non-Maximum Suppression，为现实中的物体检测系统带来潜在的致命后果。该攻击能够以低代价对原始输入进行干扰，同时可用于印刷海报等现实场景中对物体检测系统的攻击。

    Feb, 2019

  • 通过消除启发式 NMS 简化的物体检测

    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

  • GrooMeD-NMS: 单目 3D 物体检测的分组数学可微 NMS

    本文提出了一种基于分组数学可微分NMS的对象检测方法，通过在训练过程中损失NMS之后的框来实现端到端的训练，并在KITTI评估数据集上实现了最先进的单眼3D对象检测结果。

    Mar, 2021

  • PSRR-MaxpoolNMS：带有关系恢复的金字塔偏移最大池化非极大值抑制

    本文提出了PSRR-MaxpoolNMS作为非极大值抑制算法在目标检测模型中的替代方案，在所有检测器的所有阶段完全替代了GreedyNMS，并通过引入简单的关系恢复模块和金字塔平移MaxpoolNMS模块，可精确地近似于GreedyNMS。

    May, 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