/nms

Primary LanguagePython

blog: https://amberzzzz.github.io/2020/10/29/nms/

  1. hard nms score filter + sort + tranverse

    优化空间在iou的计算上： 可以通过矩阵操作并行计算N个box之间的iou， tranverse的逻辑一样，维护一个running indices， 始终提取第一个index的box作为current，提取对应行其余indices对应的iou

    缺点： 将相邻检测框的分数均强制归零，如果真实场景是重叠场景，就会严重漏检

  2. soft nms 调整检测框分数重置逻辑，不再粗暴地直接将高重叠预测框置零 gaussian / linear

  3. DIoU nms 调整iou计算方式，diou兼顾了重叠度和框的距离

  4. fast nms yoloact提出，用矩阵操作替代遍历操作，所有框是同时被filter掉的，而非依次遍历删除 与hard nms的结果是不一样的，有精度损失，会比hard nms抑制更多的框 针对mask nms提出，mask AP的下降比较轻微，对目标检测的box AP会下降更多

  5. cluster nms ciou团队提出，弥补fast nms，是少量迭代次数的fast nms 结果与hard nms一样，效率稍微低于fast nms

  6. matrix nms solov2提出，用矩阵操作替代遍历操作， decayfactor基于原论文的思路实现，和原论文的伪代码和源代码不一样，原论文的实现有问题，decay永远大于等于1

params

nms_thresh: 用来删除框的iou thresh，值越小删除的框越多
score_thresh: 如果有confidence，score应该是conf*cls_prob
max_detections: 保留最大框数目
class_specific: 对每个类分别做nms